[发明专利]场景分割方法及系统

权利要求书

1.一种场景分割方法，其特征在于，包括：

利用轻量级网络对场景视频中的各帧图像进行场景分割；

其中，轻量级网络包含多个卷积网络且网络架构预先设定，其训练过程为：

将像素点归一化的训练集中的图像输入至已知架构的轻量级网络；

在编码阶段采用卷积进行特征提取，在解码阶段结合卷积和双线性插值还原输入图像的信息，得到输出具有语义信息的特征图；采用若干组卷积核学习不同类别的特征图，将不同时期的特征图融合；

所述采用若干组卷积核学习不同类别的特征图，将不同时期的特征图融合的具体过程包括：

S1：编码阶段，通过步长为2，卷积核为3×3的卷积层将图像采样到原始图像2048×1024的1/2；

S2：将原图缩小一半，融合到浅层特征；通过包含左支卷积层，右支最大池化层的双支下采样模块进一步下采样提取特征；

S3：通过两个瓶颈块进一步提取特征；轻量级网络在提取特征的过程中，先经过一个步长为1的3×3卷积降维，再分为两支，左支为3×3卷积，右支为1×3和3×1卷积组成的不对称卷积，保持精度的同时减少参数，实现轻量级，最后用3×3卷积将维度还原；

S4：将1/4大小的原图，下采样和瓶颈块后的特征图融合，进行第二次下采样；

S5：通过5个瓶颈块，再将1/8大小的原图，第二次下采样输出，瓶颈块输出三者融合，得到编码器阶段的最终特征；

S6：解码阶段，先通过步长为1，卷积核为1×1的卷积层，使用1×1卷积来减少通道数，去除冗余信息；

S7：通过双线性插值的方法将图像上采样为两倍；

S8：将上采样后的特征图和编码器中提取的浅层特征融合，形成多尺度特征图；

S9：最后通过双线性插值将图像上采样为四倍，得到的预测输出图与原图尺寸相同；

S10：通过交叉熵损失函数优化轻量级网络中每个卷积网络。

2.如权利要求1所述的场景分割方法，其特征在于，将像素点归一化的训练集中的图像输入至已知架构的轻量级网络之前还包括：

对训练集中的图像进行随机缩放、裁剪、填充边界及翻转，扩充训练集。

3.如权利要求1所述的场景分割方法，其特征在于，将像素点归一化的过程为：

通过计算图像中每个像素点的像素均值和方差建立背景模型，将相应像素点的像素值减去平均值并除以方差，得到满足正态分布的数据，使得像素值处于0到1之间。

4.如权利要求1所述的场景分割方法，其特征在于，解码阶段的卷积核为1×1的卷积层，使用1×1卷积来减少通道数，去除冗余信息。