[发明专利]一种采用概率图梯度损失函数的图像语义分割方法

说明书

本发明公开了一种采用概率图梯度损失函数的图像语义分割方法，其特征在于含有：图像语义分割数据集，卷积网络，归一化指数函数，概率图损失以及概率图梯度损失。所述卷积网络用于从所述图像语义分割数据集中提取特征，这些特征经过所述归一化指数函数处理形成预测概率图。用于训练网络模型的损失函数由所述概率图损失与所述概率图梯度损失两部分构成。所述概率图损失使预测概率图中单个像素的概率值尽可能接近真实概率值，所述概率图梯度损失使预测概率图梯度尽可能接近真实概率图梯度。本发明的一种采用概率图梯度损失函数的图像语义分割方法能够有效学习语义分割图的局部细节特征，适用于推广应用。

技术领域

本发明属于深度学习领域，特别涉及一种采用概率图梯度损失函数的图像语义分割方法。

背景技术

当前图像语义分割方法通常采用基于单像素约束的损失函数(如交叉熵损失函数)训练模型，即使预测概率图中每个像素的概率值尽可能接近其真实概率值。然而，基于单像素概率值约束的损失函数忽略了隐藏在相邻像素概率值之间的信息，导致训练出来的模型所生成的语义分割图大都无法保持清晰的边缘和光滑的平面。

发明内容

为了解决上述采用单像素约束的损失函数难以学习到图像语义细节的问题，本发明提供一种采用概率图梯度损失函数的图像语义分割方法。

本发明的一种采用概率图梯度损失函数的图像语义分割方法属于深度学习领域，其特征在于包含：图像语义分割数据集，卷积网络，归一化指数函数，概率图损失以及概率图梯度损失。上述卷积网络可形式化为：

x_f＝f(x|θ)

其中f(·)为卷积网络对应的映射函数，θ为卷积网络包含的参数，x为图像语义分割数据集中的图片，x_f为卷积网络提取的特征。x_f经过如下归一化指数函数处理形成预测概率图p_pred

其中为预测概率图p_pred的第c通道(c∈[1，C])，m与n分别为像素在图片中的横、纵坐标(m∈[1，M]，n∈[1，N])，[·]为索引操作。概率图损失L_p的计算公式为

其中为真实概率图p_gt的第c通道，概率图梯度损失L_g的计算公式为

其中为预测概率图横向梯度的第c通道，为预测概率图纵向梯度的第c通道，为真实概率图横向梯度的第c通道，为真实概率图纵向梯度的第c通道，|·|为取绝对值操作。用于训练卷积网络的损失函数L由概率图损失L_p与概率图梯度损失L_g两部分加权组成

L＝L_p+αL_g

其中α为加权系数。损失函数L通过梯度反向传播不断优化卷积网络的参数，从而提升模型语义分割效果。

本发明的一种采用概率图梯度损失函数的图像语义分割方法通过施加概率图梯度约束促进语义分割图局部细节特征的学习。

附图说明

图1是本发明一种采用概率图梯度损失函数的图像语义分割方法示意图

具体实施方式

下面采用附图和实施例对本发明做进一步说明，此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。

一种采用概率图梯度损失函数的图像语义分割方法示意图见附图1，其特征在于包含：图像语义分割数据集，卷积网络，归一化指数函数，概率图损失以及概率图梯度损失。上述卷积网络可形式化为：