[发明专利]基于深度学习的全局特征和局部特征的图像语义分割方法有效
| 申请号： | 201810841610.2 | 申请日： | 2018-07-27 |
| 公开（公告）号： | CN109190752B | 公开（公告）日： | 2021-07-23 |
| 发明（设计）人： | 宋辉;解伟;郭晓强;周芸;姜竹青;门爱东 | 申请（专利权）人： | 国家新闻出版广电总局广播科学研究院;北京邮电大学 |
| 主分类号： | G06N3/04 | 分类号： | G06N3/04;G06N3/08;G06K9/46;G06K9/62 |
| 代理公司： | 天津盛理知识产权代理有限公司 12209 | 代理人： | 王利文 |
| 地址： | 100886 北京市西*** | 国省代码： | 北京;11 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明涉及一种基于深度学习的全局特征和局部特征的图像语义分割方法，包括以下步骤：在编码端，使用基于深度学习卷积神经网络模型提取图像的基础深度特征，同时根据卷积层的深度将特征分为低层特征和高层特征；应用特征融合模块将低层特征和高层特征融合成增强型的深度特征；在获取深度特征后，将其输入到解码端；以交叉熵损失函数为目标训练网络，使用mIoU评价网络性能。本发明设计合理，其使用深度卷积神经网络模型提取图像的全局和局部特征，充分利用了全局特征和局部特征的互补性，并且利用了堆叠池化层进一步提高性能，有效地提高了图像语义分割地准确率。 | ||
| 搜索关键词： | 基于 深度 学习 全局 特征 局部 图像 语义 分割 方法 | ||
【主权项】：
1.一种基于深度学习的全局特征和局部特征的图像语义分割方法，其特征在于包括以下步骤：步骤1、在编码端，使用基于深度学习卷积神经网络模型提取图像的基础深度特征，同时根据卷积层的深度将特征分为低层特征和高层特征；步骤2、应用特征融合模块将低层特征和高层特征融合成增强型的深度特征；步骤3、在获取深度特征后，将其输入到解码端；步骤4、以交叉熵损失函数为目标训练网络，使用mIoU评价网络性能。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于国家新闻出版广电总局广播科学研究院;北京邮电大学，未经国家新闻出版广电总局广播科学研究院;北京邮电大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201810841610.2/，转载请声明来源钻瓜专利网。
