[发明专利]用于检测危险要素的学习用图像数据集的生成方法和装置

说明书

本发明是用于检测危险要素的学习用图像数据集的生成方法和装置。本发明提供一种为了提高行驶时检测危险要素而在至少一个输入图像中生成用于能够检测客体的CNN的学习用图像数据集的方法，包括以下步骤：计算装置(a)获得针对所述客体与背景之间的边界设置有边缘部分，并针对各个所述背景及所述客体分别分配有互不相同的标签值的第1标签图像；(b)提取所述边缘部分，从所述第1标签图像中生成边缘图像；(c)所述第1标签图像与针对所述提取的边缘部分赋予加权值而生成的边缘加强图像合并，生成第2标签图像；及(d)将所述输入图像与所述第2标签图像作为所述学习用图像数据集进行存储。

技术领域

本发明涉及一种生成学习用图像数据集的方法和装置，该学习用图像数据集用于在至少一个输入图像中检测一个以上客体的CNN(Convolutional Neural Network，卷积神经网络)来提高危险要素检测能力；具体而言，涉及一种生成用于能够在所述输入图像中检测所述客体的所述CNN的学习用图像数据集的方法，及利用其的学习方法及计算装置。

背景技术

深度学习是用于将事物或数据聚类或分类的技术。例如，计算机无法单凭照片区分狗和猫。但人可以很容易地区分。为此研发了称之为“机器学习(Machine Learning)”的方法。这是一种将很多数据输入到计算机并将类似数据进行分类的技术。如果输入与储存的狗照片相似的照片，则计算机就会将其分类为狗照片。

有关如何分类数据，已出现了很多机器学习算法。代表性的有“决策树”或“贝页斯网络”、“支持向量机(Support Vector Machine，SVM)”、“人工神经网络”等。其中，深度学习是人工神经网络的后裔。

深层卷积神经网络(Deep Convolutional Neural Network；Deep CNN)是在深度学习领域飞速发展的核心。为了解决文字识别问题，CNN早在90年代就已经被使用了，而像现在如此广泛应用，得益于最近的研究成果。这样的深度CNN在2012年ImageNet图像分类大赛中战胜其他竞争者而赢得了冠军。之后，卷积神经网络成为了机器学习(MachineLearning)领域中非常有用的工具。

图像分割(Image segmentation)是一种通过输入来接收图像后通过输出来生成被标签了的图像的方法。随着最近深度学习技术受到瞩目，分割也走向大量使用深度学习的趋势。初期尝试了仅使用编码器的分割，例如利用卷积运算生成标签图像的方法等。之后，出现了通过设计编码器-解码器构造，来利用编码器提取图像的特征，并利用解码器复原为标签图像的方法。但是仅凭编码器-解码器构造很难获得精密图像。即，在图像的编码及解码过程中很多的边缘部分会消失。为了解决这些问题，提出了在图像或对应其的特征图中加强边缘的方法。

发明内容

发明所要解决的课题

本发明的目的在于，解决前面提及的所有问题点。

本发明的另一目的在于，提供一种用于学习CNN的至少一个学习用图像数据集，所述CNN利用包括一个以上的加强的语义(semantic)边缘部分的至少一个标签图像来检测一个以上的边缘部分。

另外，本发明的又另一目的在于，提供一种学习CNN的方法，其能够在图像分割(Image segmentation)过程中搜寻出精密的边缘部分。

用于解决课题的技术方案

根据本发明的一个方面，提供一种生成用于在至少一个输入图像中检测一个以上客体的卷积神经网络CNN的学习用图像数据集的方法，其特征在于，包括：

步骤(a)，计算装置，获得或支持其他装置获得输入图像所对应的至少一个第1标签图像，其中，所述输入图像针对所述客体与背景之间的一个以上的边界设置有一个以上的边缘部分，并针对对应于所述背景及各个所述客体的各个类分配有互不相同的标签值；