[发明专利]基于全局交叉熵加权的楼宇监控方法、装置和电子设备

权利要求书

1.一种基于全局交叉熵加权的智慧园区的楼宇监控方法，其特征在于，包括：获取由第一摄像头和第二摄像头所拍摄的所述智慧园区的楼宇的第一楼宇图像和第二楼宇图像，所述第一摄像头和所述第二摄像头具有不同的拍摄位置和拍摄角度，且所述第一楼宇图像和所述第二楼宇图像具有相同大小；将所述第一楼宇图像和第二楼宇图像分别输入卷积神经网络以获得第一初始特征图和第二初始特征图；计算所述第一初始特征图相对于所述第二初始特征图的第一全局交叉熵加权系数；计算所述第二初始特征图相对于所述第一初始特征图的第二全局交叉熵加权系数；基于所述第一全局交叉熵加权系数和所述第二全局交叉熵加权系数对所述第二初始特征图和所述第一初始特征图进行加权以获得最终特征图；以及基于所述最终特征图进行图像语义分割以获得图像语义分割结果，所述图像语义分割结果表示所述楼宇的监控结果；

其中，计算所述第一初始特征图相对于所述第二初始特征图的第一全局交叉熵加权系数包括：基于以下公式计算所述第一初始特征图相对于所述第二初始特征图的第一全局交叉熵加权系数：

其中，Hp是第一全局交叉熵加权系数，p^(x,y,z)第一初始特征图中的每个位置的值，q^(x,y,z)是第二初始特征图中的每个位置的值，W是所述第一初始特征图和所述第二初始特征图的宽度，H是所述第一初始特征图和所述第二初始特征图的宽度，且C是所述卷积神经网络的通道数；

其中，计算所述第二初始特征图相对于所述第一初始特征图的第二全局交叉熵加权系数包括：基于以下公式计算所述第二初始特征图相对于所述第一初始特征图的第二全局交叉熵加权系数：

其中，Hp是第一全局交叉熵加权系数，p^(x,y,z)是第一初始特征图中的每个位置的值，q^(x,y,z)是第二初始特征图中的每个位置的值，W是所述第一初始特征图和所述第二初始特征图的宽度，H是所述第一初始特征图和所述第二初始特征图的宽度，且C是所述卷积神经网络的通道数。

2.根据权利要求1所述的智慧园区的楼宇监控方法，其中，基于所述第一全局交叉熵加权系数和所述第二全局交叉熵加权系数对所述第二初始特征图和所述第一初始特征图进行加权以获得最终特征图包括：基于所述第二全局交叉熵加权系数对所述第一初始特征图进行加权以获得第一加权特征图；基于所述第一全局交叉熵加权系数对所述第二初始特征图进行加权以获得第二加权特征图；以及将所述第一加权特征图和所述第二加权特征图进行点加以获得所述最终特征图。

3.根据权利要求2所述的智慧园区的楼宇监控方法，其中，基于所述第二全局交叉熵加权系数对所述第一初始特征图进行加权以获得第一加权特征图包括：以所述第二全局交叉熵加权系数与第一系数之积对所述第一初始特征图进行加权以获得第一加权特征图；以及基于所述第一全局交叉熵加权系数对所述第二初始特征图进行加权以获得第二加权特征图包括：以所述第一全局交叉熵加权系数与第二系数之积对所述第二初始特征图进行加权以获得第二加权特征图。

4.根据权利要求3所述的智慧园区的楼宇监控方法，其中，将所述第一加权特征图和所述第二加权特征图进行点加以获得所述最终特征图包括：将所述第一加权特征图与第三系数之积和所述第二加权特征图进行点加以获得所述最终特征图。

5.根据权利要求1所述的智慧园区的楼宇监控方法，其中，所述卷积神经网络由训练用楼宇图像训练而获得，所述训练用楼宇图像具有楼宇房间的已标注的标签。

6.根据权利要求4所述的智慧园区的楼宇监控方法，其中，所述第一系数、所述第二系数和所述第三系数作为超参数，与所述卷积神经网络一起由训练用楼宇图像训练而获得，所述训练用楼宇图像具有楼宇房间的已标注的标签。