[发明专利]基于最大化预测和标签间相关性损失函数的语义分割方法

权利要求书

1.一种基于最大化预测和标签间相关性损失函数的语义分割方法，其特征在于，包括：

(1)将真实场景图片输入分割模型，获得预测图片；

(2)用一个高斯核函数在预测图片和标签图片上进行滑动卷积，获得局部统计特征，包括局部的均值和方差；

(3)根据得到的局部统计特征，计算预测图片和标签图片中对应区域间的线性相关性强弱；

(4)将线性相关性强弱的指标作为权重，调整预测图片中像素点的交叉熵损失的值并进行困难样本挖掘；

(5)计算每个训练批次中困难样本的结构损失函数，并进一步计算用于优化分割模型的总损失函数，更新分割模型中的权重参数；

(6)重复上述步骤(1)至步骤(5)，达到预设训练次数后结束训练，并将训练完毕的模型进行语义分割的应用。

2.根据权利要求1所述的基于最大化预测和标签间相关性损失函数的语义分割方法，其特征在于，步骤(2)中，采用标准差为1.5的高斯核函数w＝{w_i|i＝1,2,…,k²}来获得局部统计特征，其中，k是预先设置的常量，代表高斯核的大小，k²表示高斯核中的元素个数，标签图片的局部统计特征如下：

其中，μ_y和分别为标签图片的局部均值和局部方差，y_i∈{0,1}代表标签图片中像素点的值。

3.根据权利要求1所述的基于最大化预测和标签间相关性损失函数的语义分割方法，其特征在于，步骤(3)中，计算预测图片和标签图片中对应区域间的线性相关性强弱的指标为：

其中，误差e为两个局部区域间相关性强弱的表征，e越小，相关性越强；μ_y和σ_y分别是标签图片的局部均值和局部标准差，标签y对应的像素点位于这个局部区域的中心，μ_p和σ_p分别为预测图片的局部均值和局部标准差，p是分割模型对于预测图片中像素点的类别归属的预测概率，C₄＝0.01是一个稳定因子。

4.根据权利要求1所述的基于最大化预测和标签间相关性损失函数的语义分割方法，其特征在于，步骤(4)中，调整预测图片中像素点的交叉熵损失的值并进行困难样本挖掘所使用的公式如下：

f_n,c＝1{e_n,cβe_max},

其中，n和c代表当前像素点在预测图片中的坐标，e_max是误差e的理论最大值，误差e为步骤(3)中得到的两个局部区域间相关性强弱的表征值，e_n,c表示在预测图片中坐标(n,c)处计算得到的表征相关性强弱的具体数值；当内部条件为真时，1{·}等于1，反之为0；β∈[0,1)是用来选择要被抛弃的样本的权重因子，y_n,c和p_n,c分别是当前像素点对应的标签和预测概率，是sigmoid交叉熵损失函数，是最大化预测和标签间相关性的结构损失函数。

5.根据权利要求4所述的基于最大化预测和标签间相关性损失函数的语义分割方法，其特征在于，β的值设置为0.1。

6.根据权利要求4所述的基于最大化预测和标签间相关性损失函数的语义分割方法，其特征在于，步骤(5)中，每个训练批次中困难样本的结构损失函数的公式为：

其中，是困难样本的数目，当位于预测图片坐标(n,c)的像素点为困难样本时，f_n,c为1，反之，其值为0；y表示预测图片中像素点的标签，p表示分割模型对于预测图片中像素点的类别归属的预测概率，y_n,c表示坐标为(n,c)的像素点对应的标签，p_n,c表示分割模型对于坐标为(n,c)的像素点给出的类别归属概率预测值，表示步骤(4)中得到的最大化预测和标签间相关性的结构损失函数值；N是预测图片中总的像素点数目，C代表物体的类别数目；累加并平均每个像素的结构损失函数值，即可得到当前训练批次的总的结构损失函数值。