[發(fā)明專利]一種基于優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)的圖像語義分割方法

在審

• 申請?zhí)枺?/td>: 202011411348.1
• 申請日: 2020-12-04
• 公開（公告）號: CN112381832A
• 公開（公告）日: 2021-02-19
• 發(fā)明（設(shè)計(jì)）人: 馬國軍;孫永霜;夏健
• 申請（專利權(quán)）人: 江蘇科技大學(xué)
• 主分類號: G06T7/10
• 分類號: G06T7/10;G06N3/04;G06N3/08
• 代理公司: 南京經(jīng)緯專利商標(biāo)代理有限公司 32200
• 代理人: 徐澍

1.一種基于優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)的圖像語義分割方法，其特征在于，包括如下步驟：

步驟1、從視頻中截取具有復(fù)雜場景的一張彩色圖像，作為樣本圖像；

步驟2、對樣本圖像進(jìn)行預(yù)處理，包括歸一化操作、圖像伸縮操作，通過特征編碼器提取預(yù)處理之后樣本圖像的圖像特征；圖像增強(qiáng)模型基于所述圖像特征對樣本圖像進(jìn)行圖像增強(qiáng)，得到增強(qiáng)樣本圖像；

步驟3：對增強(qiáng)樣本圖像通過已優(yōu)化的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像語義分割形成初始分割樣本集，其中，圖像語義分割具體方法為當(dāng)前分割數(shù)量為前一次分割數(shù)量的多倍；

步驟4：以迭代法的方式對已優(yōu)化的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行再次訓(xùn)練，具體方法為：

以間隔的方式獲取初始分割樣本集中的初始分割樣本作為當(dāng)前初始分割樣本；與當(dāng)前初始分割樣本相鄰的下一個(gè)初始分割樣本作為下一初始分割樣本；

用當(dāng)前初始分割樣本對已優(yōu)化的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)，用下一初始分割樣本對訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行驗(yàn)證，得到優(yōu)化的卷積神經(jīng)網(wǎng)絡(luò)；

步驟5：將經(jīng)步驟4獲得優(yōu)化的卷積神經(jīng)網(wǎng)絡(luò)作為已優(yōu)化的卷積神經(jīng)網(wǎng)絡(luò)，返回執(zhí)行步驟1直至結(jié)束圖像處理過程。

2.如權(quán)利要求1所述的基于優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)的圖像語義分割方法，其特征在于，所述步驟2中，所述特征編碼器為ResNet-101網(wǎng)絡(luò)，第一模塊使用的是3x3卷積核，輸入圖像的分辨率是本模塊輸出的4倍；第二模塊使用的是3x3卷積核，輸入圖像的分辨率是本模塊輸出的8倍。

3.如權(quán)利要求1或2所述的基于優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)的圖像語義分割方法，其特征在于，所述步驟2中，所述特征編碼器為ResNet-101網(wǎng)絡(luò)，其中，第三模塊使用的卷積核在3X3卷積核的基礎(chǔ)上疊加上3X1卷積核以及1X3卷積核。

4.如權(quán)利要求3所述的基于優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)的圖像語義分割方法，其特征在于，所述特征編碼器為ResNet-101網(wǎng)絡(luò)，其中，第4模塊至第7模塊使用了空洞卷積作為卷積核,卷積核的尺寸都為3x3,步長分別為4,8,16。

5.如權(quán)利要求1所述的基于優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)的圖像語義分割方法，其特征在于，所述步驟3中，圖像語義分割具體方法為當(dāng)前分割數(shù)量為前一次分割數(shù)量的1倍。