[发明专利]基于重要性加权的道路场景图像语义分割方法

权利要求书

1.基于重要性加权的道路场景图像语义分割方法，其特点在于，首先建立基于重要性加权的损失函数的SegNet神经网络架构；然后选择CityScapes数据集，划分成训练数据集、验证数据集、测试数据集，训练神经网络模型，进行道路场景图像语义分割；

重要性加权的损失函数，将道路场景中车辆和行人作为重要类别，确定重要类别和非重要类别的交叉熵损失值，再按照两种重要性类别的系数进行加权，得到重要性加权的损失函数值；使用向量I_G1,I_G2来表示两种重要性类别的交叉熵损失值，则第j个元素(I_Gi)_j，i＝1,2的损失函数值具体为：

其中，W_i表示第i组类别像素的重要性权重值，P表示像素点在整个图片所有像素点中所占的频率，q表示独热编码one-hot，c表示第c种场景类别的像素点。

2.根据权利要求1所述的基于重要性加权的道路场景图像语义分割方法，其特点在于，SegNet神经网络架构包括5个卷积模块和反卷积模块，每个卷积块中包含3个卷积层和一个最大池化的池化层，每个反卷积模块包含3个反卷积层和一个上采样层。

3.根据权利要求2所述的基于重要性加权的道路场景图像语义分割方法，其特点在于，卷积模块和反卷积模块的卷积核选取大小为3*3的卷积核。

4.根据权利要求2所述的基于重要性加权的道路场景图像语义分割方法，其特点在于，卷积模块和反卷积模块采用ReLu激活函数。

5.根据权利要求1所述的基于重要性加权的道路场景图像语义分割方法，其特点在于，训练神经网络模型时，把整个数据集均分成K个子集，每次选取一个子集作为测试集，从K-1个子集中选出3/4作为训练数据集，剩下的1/4作为验证数据集，进行K次交叉验证，得到训练好的神经网络模型。

6.根据权利要求1所述的基于重要性加权的道路场景图像语义分割方法，其特点在于，在训练前，对CityScapes数据集的图像进行基于色彩饱和度的图像增强、基于图像尺寸的数据增强，扩充数据集。