[发明专利]基于全卷积神经网络的图像语义分割方法

摘要

本发明公开一种基于全卷积神经网络的图像语义分割方法，涉及图像语义分割和深度学习领域，包括如下步骤：选择训练数据集；构建并训练由图像到类别标签的分类模型，并将其作为语义分割模型前端网络；前端网络每个块输出的特征图分别经过细节保留池化层降采样成统一大小，然后将这四个输出特征图串联，并通过特征重校正模块，重新校正特征图后，将得到的特征图传入后端网络；后端网络是主要负责图像上采样，在经过上采样之后，再经过一个变权重的全局池化，最后与训练数据集的语义标注图像计算交叉熵，进行误差反向传播。本发明解决了现有技术中的图像分割准确率较低的问题。

主权项

1.基于全卷积神经网络的图像语义分割方法，其特征在于，包括如下步骤：步骤1：选择训练数据集；步骤2：构建并训练由图像到类别标签的语义分割模型前端网络；语义分割模型前端网络的结构包括Conv1、Conv2_x、Conv3_x和Conv4_x，Conv1、Conv2_x、Conv3_x和Conv4_x均包含多个卷积层，Conv4_x，Conv1、Conv2_x、Conv3_x和Conv4_x的后面均连接一个细节保留池化层；步骤3：以训练好的语义分割模型前端网络为基础，构建语义分割模型后端网络；后端网络的结构包括细节保留池化层二、特征重校正模块、卷积层、Conv5_x、Conv6_x、Conv7_x、卷积层、变权全局池化层和上采样层；Conv1、Conv2_x、Conv3_x的输出分别通过三个细节保留池化层二后与Conv4_x串联连接后，共同输入特征重校正模块；Conv5_x、Conv6_x和Conv7_x前均连接一个上采样层，Conv5_x、Conv6_x和Conv7_x均包括卷积层、批归一化层和线性整流单元，Conv5_x、Conv6_x、Conv7_x通过跳跃结构分别依次与Conv3_x、Conv2_x和Conv1的输出特征图串联；步骤4：对整个图像语义分割模型进行训练；步骤5：输入新的图像，在已训练好的深度神经网络模型中进行一次前向传播，端到端地输出预测的语义分割结果。