[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

说明书

本发明涉及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；（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。通过针对边缘部分的滤波处理，实现对于边缘部分更高精度的检测，进一步提升场景语义分割结构的准确度。

技术领域

本发明涉及一种基于深度边缘检测的层次场景语义分割模型，属于场景分割技术领域。

背景技术

随着计算机视觉的迅猛发展，各种基于计算机视觉的算法被不断地再创新、改进，而场景分割算法也是其中一个不可或缺用途广泛的部分。场景分割算法往往被应用于各种需要模拟当前所处环境的地方，例如无人车技术，场景分割技术往往在其中提供着眼睛的作用，负责将车辆所处的当前环境尽可能的模拟出来，以供车辆之后的决策判断。在未来随着场景分割精度的不断提高，必将在更多领域有着更为重要的作用。

在现有技术中，对于语义分割的经典做法是以某个像素点为中心取一个图像块,然后取图像块的特征作为样本去训练分类器。在测试阶段,同样的在测试图片上以每个像素点为中心采一个图像块进行分类,分类结果作为该像素点的预测值，最后实现像素的分类从而达到场景分割的目的。但这样对场景分割会出现较多噪声，且对于边缘部分的检测容易出现较多的失误。

发明内容

本发明的目的在于提供一种基于深度边缘检测的层次场景语义分割模型，通过针对边缘部分的滤波处理，实现对于边缘部分更高精度的检测，进一步提升场景语义分割结构的准确度。

为实现上述发明目的，本发明的技术方案是这样实现的：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，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

Fully-CRF结合了最大熵模型和隐马尔可夫模型，是一种无向图模型，并以图片像素为节点构建其能量函数。Fully-CRF的连接是全局的，其二元势函数描述的是每一个像素和其他所有像素之间的关系。

本发明的积极效果是实现对于边缘部分更高精度的检测，进一步提升场景语义分割结构的准确度。

附图说明

图1(a)为本发明基于深度边缘检测的层次场景语义分割模型的整体流程图。

图1(b)为本发明基于深度边缘检测的层次场景语义分割模型的整体流程图。

图2为本发明中PSPNet算法的网络流程图。

图3为本发明中域转换操作示意图。