[发明专利]一种基于深度边缘检测的层次场景语义分割模型

权利要求书

1.一种基于深度边缘检测的层次场景语义分割模型，其特征在于，包括以下步骤：

(1)、采用PSPNet进行语义特征的提取，采用Adam算法对PSPNet网络的参数进行设定；

(2)、用PSPNet网络得到的语义特征作为输入，训练整个网络，在域转换模型的基础上，通过控制loss的大小，不断调整网络参数，使得域转换模型中域变换密度d_i，也就是边缘网络中对于边缘度的大小检测达到一定的精确度；整个网络采用SGD算法对整个网络参数进行调整设置，从而对于远离边缘处的部位进行滤波处理；

其中，为了提升语义边缘的检测效果，本文在边缘网络里额外添加了一个卷积层，并设该层的输出通道数为10；将边缘网络里的所有卷积核大小设为1，卷积尺寸大小为1的卷积核对特征图中每一个像素进行卷积处理，其作用相当于全连接层，其可以在一定程度上获取全局信息，完成编码的作用，而且和全连接层相比，该卷积层的参数量非常少，从而简化了网络模型的复杂度，可以有效的抑制过拟合问题；所以和全连接层相比，卷积尺寸为1卷积层更适合完成特征融合操作；

(3)、采用Fully-CRF算法对于靠近边缘处的部分进行滤波处理，得到最终结果。

2.根据权利要求1所述的基于深度边缘检测的层次场景语义分割模型，其特征在于，所述的域转换滤波器操作为：

假设一维输入信号x的长度为N{x₁,x₂,x₃…x_N}，设输出y的y₁＝x₁，则对下标为i＝2,...N的处理如下：

y_i＝(1-w_i)x_i+w_iy_i-1 (1.1)

其中权重w_i由域变换密度d_i求得:

但公式(1.1)所进行的滤波过程是不对称的，因为当前位置处的输出仅依赖上一位置处的输出结果，这样的不对称处理会使滤波朝某一方向偏移，会导致较坏的分割结果被传递下去；为了解决此问题，域变换分别依次使用了四个方向的滤波操作，分别是：从左到右、从右到左、从上到下、从下到上；转换对2D信号的处理是在一个分离方式下进行，即对空间域的每一维分别进行单独的一维信号滤波：先进行水平方向的滤波从左到右和从右到左，在进行垂直方向上的滤波从上到下和从下到上；域转换在每次迭代的时候减小滤波核的标准偏差，并要求总的方差和等于期望方差即：

在第k次迭代处使用σ_k代替σ_s，来计算权重w_i；域变换密度d_i被定义为：

其中变量g_i＞0是边缘网络的输出结果，σ_r表示过滤核在边缘检测特征图上的标准差；需要注意的是g_i的值越大越表明i位置处属于边缘的概率越大；所以当g_i比较大的时候，域转换的输出比较依赖于原始的输入信号x_i语义特征，当g_i比较小的时候，域转换的输出比较依赖于上一结果y_i-1，从而在远离边缘的地方实现对语义特征的滤波；

假设节点y_i不仅影响下一节点y_i+1，而且还充当着一个后续层，因此在卷积网络的反向传播过程中从当前层获取梯度值；这时候梯度传播公式如下：

其中和被初始化设为0，的初始化是由后续层所传递来的值所设定的，权重w_i在所有的滤波阶段水平方向滤波和垂直方向滤波和迭代次数中是共享的；

利用这些偏导数，可以产生相对于边缘信号g_i的导数；将公式(1.4)代入到公式(1.2)，可以得到：

然后根据偏导求取法则，将公式(1.8)代入到(1.6)，可得边缘信号的求导为：

至此在l oss层所计算得到的损失值可以分别传递到边缘网络和语义特征提取网络。