[发明专利]一种基于DeepLabv3+的改进语义分割方法

说明书

本发明公开了一种基于DeepLabv3+的改进语义分割方法，获取交通场景图像，并进行随机的旋转平移裁剪和数据预处理，得到训练图像；对所述训练图像进行特征提取和深度可分离卷积处理，得到对应的特征图；基于改进的DeepLabv3+网络对所述特征图进行分步上采样处理，完成分割，在解码模块中，利用逐层上采样替换直接4倍上采样操作降低了图像像素信息丢失的问题；在空洞空间金字塔ASPP模块中，用不同空洞率组合的空洞卷积替换原来的卷积，扩大特征图的感受野，使用深度可分离卷积代替标准卷积，减小了模型的复杂度，有助于提高分割的精细度。

技术领域

本发明涉及计算机视觉技术领域，尤其涉及一种基于DeepLabv3+的改进语义分割方法。

背景技术

语义分割技术是计算机视觉领域研究的一个重要部分。语义分割主要目的是标记图像中的每个像素，并为其分类。传统的语义分割技术只能进行简单的分割，依赖人工设置参数，提高分割效果的空间有限。基于深度学习的语义分割方法有FCN、U-Net、DeepLab等，目前应用比较广泛的语义分割技术为DeepLab系列网络，其中较为成熟的DeepLabv3+在DeepLabv3上基础上，参照了U-Net的解码结构，提高了语义分割精度。

DeepLabv3+网络将DeepLabv3作为编码块，将骨干网络输出的特征图进行上采样变成和原图大小一样的部分作为解码器，构成编码器-解码器体系。但是在解码模块，由于它只利用了骨干网络产生的一个高分辨率低级特征图，没有利用网络生成的其它多阶段高分辨率特征图，所以预测结果中容易产生目标不连续的问题。在空洞空间金字塔池化(Atrous Spatial Pyramid Pooling,ASPP)模块中，由于特征图分辨率随着网络层数的增加在减小，所以分辨率较低的特征图不适合空洞率较大的空洞卷积分割。在解码层中，对解码模块输出直接进行4倍上采样操作，并且与高分辨低级特征图拼接融合，可能导致特征图中重要像素信息的丢失，会造成语义分割不够精细。

发明内容

本发明的目的在于提供一种基于DeepLabv3+的改进语义分割方法，提高分割的精细度。

为实现上述目的，本发明提供了一种基于DeepLabv3+的改进语义分割方法，包括以下步骤：

获取交通场景图像，并进行随机的旋转平移裁剪和数据预处理，得到训练图像；

对所述训练图像进行特征提取和深度可分离卷积处理，得到对应的特征图；

基于改进的DeepLabv3+网络对所述特征图进行分步上采样处理，完成分割。

其中，对所述训练图像进行特征提取和深度可分离卷积处理，得到对应的特征图，包括：

将所述训练图像输入骨干网络ResNet101中进行特征提取，得到第一提取图像；

将输入空洞空间金字塔池化层中的所述第一提取图像执行深度可分离卷积处理，得到第二提取图像；

通过1×1卷积对所述第二提取图像进行拼接，得到特征图。

其中，将输入空洞空间金字塔池化层中的所述第一提取图像执行深度可分离卷积处理，得到第二提取图像，包括：

对所述第一提取图像进行通道分离，并在每个通道内进行3×3的卷积操作；

对卷积后的每个通道的输出数据进行1×1的拼接操作，得到第二提取图像。

其中，基于改进的DeepLabv3+网络对所述特征图进行分步上采样处理，完成分割，包括：

对得到的所述特征图进行2倍上采样；

基于改进的DeepLabv3+网络，将上采样结果与所述骨干网络ResNet101中的1/8原图大小的特征图进行拼接操作；