[发明专利]一种基于监督学习的深度自动编码器的道路分割方法

权利要求书

1.一种基于监督学习的深度自动编码器的道路分割方法，其特征是用于确定智能车辆或无人驾驶车辆的可行驶道路区域，首先在自动编码器模型中加入监督层，将已知的道路环境图像作为训练样本，利用训练样本的分割图作为监督信息，得到有监督的单层自动编码器，通过训练样本训练后得到有监督的单层自动编码器模型；接着，建立一个有监督的深度自动编码器模型来抽取道路环境分割的深层特征，所述深度自动编码器模型由所述单层自动编码器模型多层堆叠而得，利用训练样本和其道路环境分割图，训练得到所述深度自动编码器模型；最后加载测试样本得到其语义分割图，通过图像处理确定道路环境图像的可行驶道路区域；

所述有监督的深度自动编码器模型的建立为：将深度自动编码器模型的训练分为三组，每组的训练都基于一个单层自动编码器，每一组训练模型是独立的，但整个训练过程中三组是相互关联的，三组单层自动编码器分别为：

1.1)第一组单层自动编码器以原始道路环境图像X作为输入X₁，道路分割标签图X_label作为监督，输出的重构数据用表示，进行监督学习，以减小重构数据与标签数据X_label的误差；

1.2)第二组单层自动编码器提取第一组通过监督学习输出的重构数据作为输入X₂，再一次与道路标签数据X_label一起进行监督学习，进一步减小重构数据与标签数据X_label的误差；

1.3)第三组单层自动编码器以第一组模型中学习的特征编码H₁作为输入X₃，以第二组模型中的学习的特征编码H₂作为监督，进行监督学习，得到重构数据

提取上述三组单层自动编码器中的特征权值，根据先编码再解码的网络结构，构建一个具有两层编码和两层解码深度自动编码器模型：以第一组单层自动编码器的输入，即原始道路数据X为整个深度自动编码器模型的输入层，以第一组单层自动编码器的编码权值第三组单层自动编码器的编码权值第三组单层自动编码器的解码权值第二组单层自动编码器的解码权值为后续各层的连接权值，最终得到该深度自动编码器模型的输出层Z，该输出为最终的道路语义分割图。

2.根据权利要求1所述的一种基于监督学习的深度自动编码器的道路分割方法，其特征是所述有监督的单层自动编码器具体为：

2.1)将传统的自动编码器的目标函数改为最小化监督标签X_label与重构样本Z之间的平均重构误差，具体为

其中，m为训练样本个数；Zⁱ表示第i个重构样本；表示第i个输入样本，W表示解码层和编码层的权值，b表示权值偏置；

2.2)利用已有的道路分割图作为标签X_label，通过最小化标签X_label与重构样本Z之间的平均误差，使得自动编码器学习有利于道路环境分割的相关特征；

2.3)将训练样本加入该单层模型中进行训练，求出输出层与监督层每个节点的平均误差，并通过反向传播更新解码层和编码层的权值，最小化有监督的单层自动编码器模型的目标函数，最终得到有监督的单层自动编码器模型。