[发明专利]图像语义分割模型的转换方法和交通道路场景分析平台

权利要求书

1.图像语义分割模型的转换方法，其特征在于，包括：

步骤S1，构造基础网络为DeepLabV3plus+ResnetX，并对其轻量化处理后得到语义分割基础模型；

步骤S2，对所述语义分割基础模型中的DeepLabV3plus网络进行算子替换后获得语义分割初始模型；

步骤S3，利用样本图像训练集在基于PyTorch的深度学习框架下训练所述语义分割初始模型得到图像语义分割模型；

步骤S4，将基于PyTorch的深度学习框架下的图像语义分割模型转换到Caffe深度学习框架下，再转换到TensorRt深度学习框架下，最终得到TensorRt深度学习框架下的图像语义分割模型；其中，当图像语义分割模型转换至所述Caffe深度学习框架下后，裁剪掉图像语义分割模型的DeepLabV3plus网络中形成的填充层再向所述TensorRt深度学习框架下转换。

2.根据权利要求1所述的图像语义分割模型的转换方法，其特征在于，在所述步骤S4中，裁剪掉所述填充层的方式为：将所述填充层的上一层结构的输入端与所述填充层的下一层结构的输出端直接连接。

3.根据权利要求1所述的图像语义分割模型的转换方法，其特征在于，所述步骤S2包括：

步骤S21，将所述DeepLabV3plus网络的ASPP结构中的自适应均值池化算子替换为均值池化算子；

步骤S22，将所述DeepLabV3plus网络的上采样算子使用的双线性差值模式计算替换为使用最邻近插值模式计算。

4.根据权利要求1所述的图像语义分割模型的转换方法，其特征在于，在所述步骤S1中，对所述基础网络轻量化处理包括：

将所述DeepLabV3plus网络的ASPP结构中的各卷积层的深度按预设比例值减小；和/或

将所述DeepLabV3plus网络的底层卷积模块和所述ASPP结构之间的各卷积层的深度按所述预设比例值减小；和/或

将所述DeepLabV3plus网络的底层卷积模块的各卷积层的深度按所述预设比例值减小。

5.根据权利要求4所述的图像语义分割模型的转换方法，其特征在于，所述预设比例值的取值范围为[0.4，0.6]。

6.根据权利要求5所述的图像语义分割模型的转换方法，其特征在于，将所述DeepLabV3plus网络的ASPP结构中的各卷积层的深度按预设比例值为0.5减小。

7.根据权利要求4所述的图像语义分割模型的转换方法，其特征在于，所述DeepLabV3plus网络的底层卷积模块的层结构自上而下包括：卷积层、BN层、Relu层和卷积层。

8.根据权利要求1所述的图像语义分割模型的转换方法，其特征在于，在所述步骤S4中，将基于PyTorch的深度学习框架下的图像语义分割模型转换到Caffe深度学习框架下包括：将所述基于PyTorch的深度学习框架下的图像语义分割模型转换到ONNX深度学习框架下，将得到的所述ONNX深度学习框架下的图像语义分割模型再转换到所述Caffe深度学习框架下。

9.根据权利要求1所述的图像语义分割模型的转换方法，其特征在于，所述语义分割基础模型中的ResnetX网络为Resnet18网络、Resnet34网络、Resnet50网络、Resnet101网络和Resnet152网络中的一种。

10.交通道路场景分析平台，其特征在于，部署有图像语义分割模型，用于对交通道路场景图像进行语义分割，所述图像语义分割模型为使用权利要求1至9中任一项所述图像语义分割模型的转换方法得到的TensorRt深度学习框架的图像语义分割模型。