[发明专利]万花筒卷积网络的构建方法

说明书

一种万花筒卷积网络的构建方法，属于深度学习算法网络。本发明针对现有使用空洞滤波器来扩大卷积网络的感受野，当空洞率设置过大产生的边界效应影响特征捕获的问题。包括：构建万花筒滤波器，使万花筒滤波器的外轮廓为正方形，将所述正方形均分为四个分割单元，由四个分割单元的四角确定九个一级采样点；再在每个分割单元中以万花筒式花瓣的交点位置确定三个二级采样点；然后基于多个不同尺寸的所述万花筒滤波器构建万花筒级联空间金字塔池化模块；最后，采用Xception作为主干网，并将万花筒级联空间金字塔池化模块组装在解码器层形成万花筒卷积网络。本发明能够更好地捕获对象的形状特征。

技术领域

本发明涉及万花筒卷积网络的构建方法，属于深度学习算法网络。

背景技术

基于卷积神经网络(CNNs)的深度特征表示极大地改进了语义分割效果。目前，较为成功的基于CNNs的语义分割方法主要依赖于高分辨率表示以及丰富的特征表达。

一般认为，卷积尺寸越大，感受野越大，捕获的特征越精确。这些特征包括纹理特征、形状特征和上下文特征，这些特征对物体的识别至关重要。但较大的卷积滤波器会导致较高的计算成本。

为了以较低的计算成本获得较大感受野，许多传统卷积网络使用大量的3×3滤波器进行串行卷积，然后用池化操作对特征图进行多次下采样。但是常规的CNNs采用的重复下采样会导致特征分辨率和定位精度的下降。为解决这一问题，目前流行的是使用空洞滤波器进行卷积。空洞滤波器是通过在常规实心卷积滤波器中插入空洞来扩大感受野，使用其进行卷积可以代替使用池化下采样操作，获得与下采样相同的感受野。与池化下采样相比，空洞滤波器的使用提高了特征分辨率和定位精度。同时，由于空洞卷积具有可调节的感受野，因此可能捕获上下文特征。但空洞卷积的空洞率若设置过大则会产生边界效应，退化为1×1卷积，从而导致无法获取上下文特征、形状特征及纹理特征。

同时，其它常用的卷积方法和模型均无法同时有效地捕获图像的多样化特征，特别是采用规则的方形卷积滤波器和相对简单的模型，使得分辨率和定位精度不高，感受野小，导致提取到的特征质量较低，信息表达不够准确。

发明内容

针对现有使用空洞滤波器来扩大卷积网络的感受野，当空洞率设置过大产生的边界效应影响特征捕获的问题，本发明提供一种万花筒卷积网络的构建方法。

本发明的一种万花筒卷积网络的构建方法，包括以下步骤：

构建万花筒滤波器，使万花筒滤波器的外轮廓为正方形，将所述正方形均分为四个分割单元，由四个分割单元的四角确定九个一级采样点；再在每个分割单元中以万花筒式花瓣的交点位置确定三个二级采样点，其中一个二级采样点为分割单元的中点，另外两个二级采样点相对于所述一个二级采样点对称分布；

然后基于多个不同尺寸的所述万花筒滤波器构建万花筒级联空间金字塔池化模块；

最后，采用Xception作为主干网，并将万花筒级联空间金字塔池化模块组装在解码器层形成万花筒卷积网络。

根据本发明的万花筒卷积网络的构建方法，所述另外两个二级采样点的确定方法为：

首先将另外两个二级采样点设定为二级采样点一和二级采样点三；将所述一个二级采样点作为二级采样点二；

以四个分割单元中右上角的分割单元为例，以其左侧边框作为直径在分割单元中绘制半圆，再以右侧边框作为半径在分割单元中绘制四分之一圆弧，将所述半圆与四分之一圆弧的交点作为二级采样点一；以万花筒滤波器的中点与二级采样点二的连线作为对称轴，二级采样点三与二级采样点一镜像对称。

根据本发明的万花筒卷积网络的构建方法，

四个分割单元中左上角的分割单元中三个二级采样点与右上角的分割单元中三个二级采样点呈镜像对称；左下角与右下角的两个分割单元中的二级采样点与左上角和右上角的两个分割单元中的二级采样点呈镜像对称。