[发明专利]一种基于深度卷积神经网络的前景对象图像分割方法

权利要求书

1.一种基于深度卷积神经网络的前景对象图像分割方法，其特征在于：

所述方法使用一个端到端的基于深度卷积神经网络DCNNs（Deep ConvolutionalNeural Networks）的监督学习模型FOSeg（Foreground Object Segmentation），对逐像素的前景对象图像分割；FOSeg模型分割流程：首先输入原始图像，经过深度卷积神经网络的卷积、汇合、线性整流等操作，然后输入到分流聚合模块从而得出特征映射得分图，随后经过双线性插值算法的上采样操作得到粗糙的分割图，最后将得到的粗糙分割图送入全连接的条件随机场模型中进一步细化分割结果，从而得出精细的分割图像；

FOSeg模型由卷积层组成, 中间有最大值汇合层；除最后一个卷积层大小为1x1，其余所有卷积核的大小均为3x3；每个卷积层后面还有一个线性整流层, 然后再输入到下一层；FOSeg模型应用扩张卷积算法，扩张卷积是利用上采样滤波器的方法，通过扩张率控制着感受野，同样的卷积核数量，不同的扩张率却让其有不同大小的感受野，在不增加参数量的情况下，扩张卷积可以指数级地扩大滤波器的感受野，有效地提取图像上下文信息；

所述分流聚合模块（Shunt-Fuse Module, SFM）：在pool5层之后以多个采样率重新采样特定的特征层，并在sofamax层之前将采样的多尺度特征进行融合；

所述全连接的条件随机场模型为全连接的两两之间的条件随机场模型，对分割结果进行调优；将每个像素建模为某区域内的一个节点，无论两个像素距离多远，其两两之间的关系都会被衡量；所述全连接的条件随机场模型与带有扩张卷积和分流聚合模块的DCNNs的像素级别分类器相结合，可以有效提高分割模型的分割精度。