[发明专利]按网格单元利用加权卷积滤波器的图像分割方法及装置

说明书

本发明涉及一种为了满足自动行驶汽车的级别4而根据区域的类转换模式并按网格单元分别利用多个加权卷积滤波器中的每一个来分割图像的方法。本发明提供一种能够具有应用到具有各个距离的各个区域的各个最佳参数而能够用作监视用CCTV的方法，其特征在于，包括以下步骤：学习装置：(a)(i)使编码层生成编码特征图，并且(ii)使解码层生成解码后特征图；(b)在将特定解码后特征图划分为网格单元的情况下，使加权卷积层将加权卷积滤波器设定为与各个网格单元对应，对特定解码后特征图应用加权卷积运算；以及(c)反向传播损失。

技术领域

本发明涉及一种为了满足自动行驶汽车的级别4而根据区域的类来转换模式并按网格单元(Grid Cell)分别利用多个加权卷积滤波器中的每一个来分割图像的方法，更详细而言，涉及一种如下的方法及装置、以及利用该方法及装置的测试方法及测试装置，该方法为按所述网格单元利用多个所述加权卷积滤波器中的每一个来分割所述图像的方法，包括以下步骤：(a)在获取至少一个输入图像的情况下，学习装置：(i)使卷积神经网络(CNN)模块的编码层对所述输入图像应用至少一次卷积运算而生成至少一个编码特征图，并且(ii)使所述CNN模块的解码层对由所述编码层输出的特定编码特征图应用至少一次反卷积运算而生成至少一个解码后特征图；(b)在由所述解码层输出的特定解码后特征图根据至少一个已设定的基准被划分为多个所述网格单元的情况下，所述学习装置使所述CNN模块的加权卷积层将各个所述加权卷积滤波器设定为与各个所述网格单元对应，并且对所述特定解码后特征图应用至少一次加权卷积运算而输出分割结果；以及(c)所述学习装置反向传播以所述分割结果和与所述分割结果对应的GT为参照获取到的分割损失，从而按所述网格单元学习各个所述加权卷积滤波器。

背景技术

深度卷积神经网络(Deep CNN)是在深度学习领域中取得的惊人发展的核心。CNN在90年代已经用于解决文字识别问题，但因最近的研究结果而能够如现在这样广泛使用CNN。这种深度CNN在2012年ImageNet图像分类大赛中击败了其他竞争对手并取得胜利。然后，卷积神经网络在机器学习领域中成为一个非常有用的工具。

另外，图像分割是利用图像(训练图像或测试图像)来生成标签的方法。随着深度学习技术受到瞩目，在图像分割中也普遍使用深度学习技术。

通过将输入图像输入到编码器-解码器，并且对由所述解码器输出的最终结果应用卷积运算，从而获取基于深度学习的图像分割。此时，在对由解码器输出的最终结果应用卷积运算的情况下，通常对最终结果的所有区域应用相同加权值的卷积滤波器。

另外，当假设如用于高级驾驶辅助系统(ADAS：Advanced Driver AssistanceSystem)的自由空间检测(FSD：Free Space Detection)那样照相机被固定并且包含在多个输入图像中的对象和道路的结构形态彼此相似的状况(例如，道路位于图像的中央部分，人行道位于图像的左侧和右侧部分，建筑物或天空等位于图像的上侧的状况)下进行图像分割时，如果对图像中的一张图像中的整个区域应用相同加权值的卷积滤波器，则存在如下的问题：在未有效应用彼此相似的结构这一特性的状态下低效执行大量运算，并且通过利用输入图像来执行图像分割过程而获取的输出结果也较差。

发明内容

所要解决的问题

本发明的目的是解决上述问题。

本发明的另一目的是在与输入图像对应的解码后特征图内按网格单元分别利用多个加权卷积来执行图像分割。

本发明的又一目的是通过将与特定解码后特征图中占很大比重的特定网格单元对应的特定卷积滤波器用作参照滤波器来线性变换参照滤波器值从而算出网格单元的剩余部分的滤波器值。

技术方案

本发明的特征结构如下所述，以达到如上所述的本发明的目的并实现后述的本发明的特征效果。