[发明专利]基于卷积网络的图像分割方法

权利要求书

1.一种基于卷积网络的图像分割方法，其特征在于，包括：

步骤1：数据预处理

使用Cityscapes图像数据集，在训练中只使用其中的11个类别，通过计算得到，该11个类别的像素占比已经超过总像素个数的90％以上，分别为路(Road)、人行道(Sidewalk)、建筑(Building)、植被(Vegetation)、天空(Sky)、地形(Terrain)、人(Person)、轿车(Car)、自行车(Bicycle)、杆(Pole)、巴士(Bus)；同时对训练集图像进行左右翻折扩增数据集，获得5950张图片，之后缩放图像大小为512×1024用于网络的训练；

步骤2：卷积网络模型的设计

所述卷积网络称为LBNet网络，主要基于ENet网络进行改进；

步骤3：模型训练与验证

步骤3.1、将步骤1中预处理后的数据分为训练集、验证集和测试集，并将训练集作为卷积网络的输入，训练网络模型参数；

步骤3.2、LBNet网络的验证度量指标使用像素分割精度MPA(Mean Pixel Accuracy)和平均交并比MIoU(Mean Intersection over Union)，分别定义为：

其中k+1为分割的总类别数，x_ij表示类i像素被预测为类j像素的总数目；

步骤3.3、将训练好的网络模型在准备好的测试集上进行模型的验证，并分别统计像素分割精度MPA和平均交并比MIou；

步骤4：模型优化与改进处理

根据步骤3中在测试集上的度量结果，不断调整模型的超参数，实现对步骤2建立的卷积网络模型进行参数优化；

步骤5：模型使用

根据步骤4得到的最终优化好的模型进行测试使用。

2.如权利要求1所述的基于卷积网络的图像分割方法，其特征在于，具体改进策略如下：

步骤2.1、对于中间层中的残差块，ENet使用加法的融合策略F_i＝Sum(X_i，Y_i)将特征图进行融合，该发明中的卷积网络将上采样阶段的残差块结构，全部改为最大值融合策略，即：F_i＝Max(X_i，Y_i)；

步骤2.2、为了减少采样过程中的图像细节丢失问题，网络结构共使用三次下采样操作，同时在上采样阶段使用反卷积层替换ENet网络解码过程中的所有上采样层，并使用跳跃连接结构，将下采样阶段与上采样过程中同分辨率大小的特征图进行融合；

步骤2.3、对ENet网络结构中存在的一些合并层(Concat)，在其后面加一层卷积层，设定卷积核的大小为(1×1)，卷积核的数目为合并层的特征图通道数，其目的是对合并后的特征图进行线性组合，更好的提取图像特征；

步骤2.4、为了增加感受野，在下采样过程的卷积模块中多次使用扩张卷积，扩张率分别为2、4、8、16，同时加入金字塔结构的融合策略，分别将扩张率为2和4的卷积模块的输出进行融合，得到的结果再与扩张率为8的卷积模块融合，最后与扩张率为16的卷积模块融合；

步骤2.5、修改ENet网络中使用的卷积模块，由两路卷积分别捕捉不同尺度感受野信息，并使用残差结构进行融合，进一步提高网络的分割精度。

3.如权利要求1所述的基于卷积网络的图像分割方法，其特征在于，训练参数设定如下：初始学习率设置成0.001，总共迭代次数为75000次，学习率衰减规则为：分别在迭代次数是18750、37500和56250时降低学习率为当前学习率的0.1，权重衰减率为0.0002，使用Softmax损失函数，并且通过Adam优化器优化损失函数，参数为：β₁＝0.9，β₂＝0.99，其他参数默认。