[發(fā)明專利]基于貝葉斯深度學(xué)習(xí)的超參數(shù)圖像分割方法

有效

• 申請?zhí)枺?/td>: 202010501892.9
• 申請日: 2020-06-04
• 公開（公告）號: CN111652317B
• 公開（公告）日: 2023-08-25
• 發(fā)明（設(shè)計）人: 齊仁龍;張慶輝;楊緒華;朱小會;李大海
• 申請（專利權(quán)）人: 鄭州科技學(xué)院
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/774;G06V10/82;G06V10/44;G06V10/772;G06V10/776;G06N3/047;G06N3/0985
• 代理公司: 鄭州盈派知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 41196
• 代理人: 張曉輝;樊羿

本發(fā)明公開了一種基于貝葉斯深度學(xué)習(xí)的超參數(shù)圖像分割方法，旨在解決現(xiàn)有的圖像分割中超參數(shù)的提取計算量大且精度低的技術(shù)問題。本發(fā)明選擇圖像訓(xùn)練集，對圖像信息進(jìn)行高斯過程，采用L2正則算子對數(shù)據(jù)集進(jìn)行預(yù)處理，獲取圖像輪廓邊緣特征，并構(gòu)建目標(biāo)特征邊緣特征識別訓(xùn)練集，根據(jù)貝葉斯定理對數(shù)據(jù)集進(jìn)行分類，并設(shè)定基于語義識別的圖像目標(biāo)邊緣分割標(biāo)簽，進(jìn)一步采用高斯過程，提取目標(biāo)邊緣特征數(shù)據(jù)集，并計算目標(biāo)集邊緣特征高斯超參數(shù)集。本發(fā)明的有益效果在于：提高目標(biāo)識別的效率與精度。

技術(shù)領(lǐng)域

本發(fā)明涉及機(jī)器學(xué)習(xí)技術(shù)領(lǐng)域，具體涉及一種基于貝葉斯深度學(xué)習(xí)的超參數(shù)圖像分割方法。

背景技術(shù)

在計算機(jī)視覺領(lǐng)域，圖像分割指的是為圖像中的每個像素分配一個標(biāo)簽的任務(wù)，它也可以被看作是像素分類。和使用矩形候選框的目標(biāo)檢測不同，圖像分割需要精確到像素級位置，因此它在醫(yī)學(xué)分析、衛(wèi)星圖像物體檢測、虹膜識別和自動駕駛汽車等任務(wù)中起著非常重要的作用。

人類識別目標(biāo)更多的是依靠經(jīng)驗來區(qū)分目標(biāo)，而深度學(xué)習(xí)是通過構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)，依靠訓(xùn)練提取目標(biāo)特征，進(jìn)而識別目標(biāo)。傳統(tǒng)的目標(biāo)識別方法的識別結(jié)果往往是一些事先定義好的某個類別的物體，比如人臉、車輛等，而一幅圖像中包含的內(nèi)容遠(yuǎn)遠(yuǎn)不止一些相互獨立的物體，還包含了多個物體及物體的屬性、空間關(guān)系、邏輯關(guān)系等信息，這些信息不能夠只用一些類標(biāo)簽進(jìn)行描述，而是需要使用自然語言進(jìn)行描述。任何一個數(shù)學(xué)模型都難以滿足所有的目標(biāo)識別，因此形成了諸多的條件分類識別，導(dǎo)致深度學(xué)習(xí)的跨域融合識別效率不高。

像素級圖像分割是人工智能領(lǐng)域的研究熱點，它是一個涉及到圖像處理、模式識別、視覺感知和心理認(rèn)知等多個學(xué)科的數(shù)學(xué)建模問題。人類自身在長期的進(jìn)化和學(xué)習(xí)過程中依靠經(jīng)驗識別目標(biāo)是件非常容易的事，但是依靠機(jī)器從復(fù)雜的背景中自動識別目標(biāo)，需要復(fù)雜的數(shù)學(xué)建模來實現(xiàn)，因此選擇識別模型和超參數(shù)優(yōu)化就顯得有為重要。深度學(xué)習(xí)的超參數(shù)存在選取困難、沒有規(guī)律性的特點，而且不同超參數(shù)之間存在無法預(yù)知的影響，其調(diào)試非常耗時，每個超參組合的評估需要進(jìn)行大量的迭代計算。針對此類問題，經(jīng)典的一些優(yōu)化算法：如粒子群算法、模擬退火算法、局部搜索算法等已不再適用。有研究者提出采用代理模型的方法，通過仿真目標(biāo)函數(shù)的估計值，以降低該類問題的評估代價。但無論采用門特卡洛算法還是強(qiáng)化學(xué)習(xí)領(lǐng)域中提出的自適應(yīng)模擬算法，學(xué)習(xí)過程總是耗時的，而且僅限于在某個條件下或某個領(lǐng)域內(nèi)，精度難以保證，很難實現(xiàn)跨界融合。

發(fā)明內(nèi)容

本發(fā)明提供一種基于貝葉斯深度學(xué)習(xí)的超參數(shù)圖像分割方法，以解決現(xiàn)有的圖像分割中超參數(shù)的提取計算量大且精度低的技術(shù)問題。

為解決上述技術(shù)問題，本發(fā)明采用如下技術(shù)方案：

設(shè)計一種基于貝葉斯深度學(xué)習(xí)的超參數(shù)圖像分割方法，包括：

步驟1：數(shù)據(jù)預(yù)處理，將圖像中的數(shù)據(jù)元素正則化處理，生成圖像分割類數(shù)據(jù)集；

步驟2：對圖像利用高斯掩碼提取目標(biāo)邊緣特征；

步驟3：利用貝葉斯估計，通過目標(biāo)邊緣特征提取圖像的邊界框和目標(biāo)掩膜；

步驟4：將邊界框及目標(biāo)掩膜放入特征字典中進(jìn)行對比，即可獲得圖像中各目標(biāo)的類別；

特征字典的構(gòu)建方法如下：

(1)建立圖像的訓(xùn)練集和測試集；

(2)對訓(xùn)練集中的每個圖像進(jìn)行上述步驟1-3中的操作，獲取其邊界框和目標(biāo)掩膜；

(3)匯集(2)中的邊界框和目標(biāo)掩膜，即可得到由其組成的特征字典；

(4)將測試集輸入(3)中的特征字典，查看得到的特征字典的準(zhǔn)確率，如果準(zhǔn)確率不符合要求，則調(diào)整模型的參數(shù)重新訓(xùn)練，直至特征字典的準(zhǔn)確率達(dá)到要求。