[发明专利]基于无人驾驶技术对实例分割的改进方法

说明书

本发明公开了一种基于无人驾驶技术来对实例分割进行改进的方法。本发明提出在基于MASK R‑CNN的Faster R‑CNN基础上对目标进行检测以及分类，之后通过FCN特征粗提取以及CRF优化输出从而实现实例分割。具体实现步骤如下：步骤1、使用偏监督的方法对目标进行分类；步骤2、在语义分割卷积过程中采用深度可分离卷积，获取特征；步骤3、对卷积层得到的特征进行特征融合优化，在低层引入语义信息，在高层引入空间信息。本发明使用较低的成本便建立了较好的目标检测及分类结果。本发明采用深度可分离卷积，提高分割结果的精度以及计算机的效率，减少时间的损耗。

技术领域

本发明属于一种典型的计算机视觉、图像识别及图像分类问题。特别的，本发明想要基于无人驾驶技术对实例分割进行一些改进，本发明是基于数据分类以及对FCN的结构改进的方法。

技术背景

近年来无人驾驶技术快速发展，无人驾驶汽车是通过车载传感系统感知道路环境，自动规划行车路线并控制车辆到达预定目标的智能汽车。而在无人驾驶技术中，如何有效快速准确的识别车辆前方的物体和行人毫无疑问是当前无人驾驶技术发展的一个很大的障碍，如果不能再短时间内准确识别并做出反应，那么无人驾驶技术将很难走远。

近年来，人工神经网络识别技术已经引起了社会广泛的关注，并且大量应用于图像分割。基于神经网络的分割方法的基本思想是通过训练多层感知机来得到线性决策函数，然后用决策函数对像素进行分类来达到分割的目的。但往往在深度学习中在一个框架中只能完成单线程任务，而近年来随着深度学习计算机视觉领域的发展，越来越要求在深度神经网络中实现多任务集成，即目标检测，图像分类，图像分割通过一个学习框架完成，代表框架就是实例分割，因此我们想要基于无人驾驶技术的需要对实例分割进行改进。

发明内容

本发明的目的是针对现有无人驾驶技术的需要对实例分割算法进行改进，提出一种基于无人驾驶技术对实例分割的改进方法。

无人驾驶汽车可以通过车载传感器采集周围的环境，其输入是一张张RGB三色图片，其中图片均采样于该时刻的前一时刻，相邻图片的采集时间确保大于计算机的图片处理时间，从而保证计算机不会出现漏处理现象。因此则便要求我们计算机的处理时间要尽可能地短，从而保证行驶过程中的安全性。同时无人驾驶技术目前比较昂贵，我们想要通过在实例分割的数据上降低成本，促进无人驾驶汽车的发展。当然车载传感器采集到的信息也需要准确，因此我们也需要采取一定的改进方案从而使处理的精度得到提高。

本发明解决其技术问题所采用的的技术方案如下：

本发明提出在基于MASK R-CNN的Faster R-CNN上对目标进行检测以及分类，之后通过FCN特征粗提取以及CRF优化输出实例分割的结果；具体实现步骤如下：

步骤1、使用偏监督的方法对目标进行分类，具体通过部分监督和权重转移函数对目标进行检测以及分类，对输入的图片进行初步的处理，得到被标记的图片；

步骤2、语义分割过程中，在卷积层抛弃普通的卷积网络，采用深度可分离卷积(包括深度卷积和逐点卷积)获取特征，提高计算机的处理效率；

步骤3、卷积层得到的特征中进行特征融合，对低层特征和高层特征进行融合，在低层特征中引入语义信息，在高层特征中加入空间信息，提高分割性能。

步骤1具体实现如下：

1-1.给定一个感兴趣类别集合，其中一个小的类别集合有实例掩码标注，而剩余类别集合仅仅有边框标注；

1-2.利用步骤1-1的数据去拟合模型实现目标检测，该拟合模型能够在所有感兴趣类别上对目标进行分类，因为训练数据是掩码数据和边框数据的混合，所以称该任务为偏监督学习；