[發明專利]一種混沌反向傳播圖神經網絡的圖像語義分割方法及裝置

有效

• 申請號: 202310031394.6
• 申請日: 2023-01-10
• 公開（公告）號: CN115761240B
• 公開（公告）日: 2023-05-09
• 發明（設計）人: 陶鵬;陳洛南
• 申請（專利權）人: 國科大杭州高等研究院
• 主分類號: G06V10/26
• 分類號: G06V10/26;G06V20/70;G06V10/82;G06N7/08;G06N3/0464;G06N3/048;G06N3/084
• 代理公司: 杭州凱知專利代理事務所(普通合伙) 33267
• 代理人: 金國棟

1.一種基于混沌反向傳播圖神經網絡的圖像語義分割方法，其特征在于，包含以下步驟：

步驟S1：將輸入圖像預分割成若干區域，并轉換成區域鄰接圖，區域作為圖的節點，對應的節點值為該區域所有像素點的平均值，并且如果兩個區域有像素點相鄰，這兩個區域存在連邊，且邊的權重為對應的兩個節點值的歐式距離；

步驟S2：輸入圖作為最大割問題的輸入圖，包括區域鄰接圖節點、連接矩陣和邊的權重，并構建對應的編碼矩陣Q，Q_ij的值為節點i到節點j的權重，Q_ii的值為和節點i連接的邊的權重之和的負數，得到優化的目標函數為哈密頓量

其中，x_i是二元決策變量，取值為0或者1；

步驟S3：構建圖卷積神經網絡，包含嵌入層和若干圖卷積層，并將哈密頓量轉變為一個可微分的損失函數

其中，p_i(θ)表示網絡模型第i個節點的輸出；

步驟S4:使用混沌反向傳播算法訓練圖卷積神經網絡，訓練網絡的損失函數包括第一損失函數和混沌損失函數，L_Total＝L_QBUO+L_Chaos??(5)；

所述混沌損失函數為

其中為任意節點d的第l層的第k個輸出，則為對應的混沌強度，I₀則為0到1之間的常數；

步驟S5：網絡訓練完成后，將輸出投影得到組合優化問題的解，并得到對應的圖像分割結果。

2.如權利要求1所述的基于混沌反向傳播圖神經網絡的圖像分割方法，其特征在于，步驟1中預分割方法通過Compact?Watershed算法；計算區域像素點與平均值方差，超出閾值，對該區域重新進行分割，并形成新的區域鄰接圖。

3.如權利要求1所述的基于混沌反向傳播圖神經網絡的圖像分割方法，其特征在于，將步驟2中的輸入圖作為最大割問題的輸入圖，包括節點、連接矩陣和邊的權重，編碼矩陣Q通過二次二元無約束優化問題框架下的哈密頓量構建

其中x_i是二元決策變量，它的取值為0或者1，而Q則是一個編碼了待求解的最大割問題的常數方陣，Q_ij的值為節點i到節點j的權重，Q_ii的值為和節點i連接的邊的權重之和的負數。

4.如權利要求1所述的基于混沌反向傳播圖神經網絡的圖像分割方法，其特征在于，所述步驟3中的圖卷積神經網絡的計算過程可以用如下更新公式表示

其中表示第l層第i個節點的特征向量，W^(l)和B^(l)則為第l層的網絡權重，表示節點i的鄰居的集合，c_ij為節點度的平方根的乘積σ為激活函數。

5.如權利要求1或4任意所述的基于混沌反向傳播圖神經網絡的圖像分割方法，其特征在于，步驟3中，所述哈密頓量中二元決策變量x_i用p_i(θ)替換，其中θ指代圖卷積神經網絡模型的所有參數，p_i(θ)表示網絡模型第i個節點的輸出，得到網絡模型的第一損失函數為了讓相鄰節點盡可能屬于相同的類別，這里對Q進行改造，即減去W_pS，其中W_p設為100，S_ij＝A_ij，S_ii的值為節點i的度數的負值；其中A為鄰接矩陣，即節點i和j沒有邊時A_ij＝0，有邊時A_ij＝1。

6.如權利要求4所述的基于混沌反向傳播圖神經網絡的圖像分割方法，其特征在于，步驟3中，中的圖卷積神經網絡節點的初始特征與嵌入層權重對應，嵌入層權重為網絡輸入參數；圖卷積層包括第一圖卷積層和第二圖卷積層，第一圖卷積層為Relu激活函數，通過dropout層輸出，第二圖卷積層為Sigmoid激活函數。