[发明专利]一种基于多路径深度神经网络的水面分割方法

摘要

本发明涉及一种基于多路径深度神经网络的水面分割方法，包括下列步骤：收集包含各种不同类别物体的图像，并标注每张图像中的所有感兴趣物体；图像集划分；设计基于多路径深度神经网络结构，用以有效实现物体检测，语义分割网络由三路径的卷积神经网络并联而成，每个路径由三个不同膨胀率的膨胀卷积串联，每个膨胀卷积下边的数字代表膨胀卷积的膨胀率，采用dense结构连接每个路径中的膨胀卷积并在路径间使用跨连接，使感受野更加稠密；设计解码网络；设计训练过程中所需的损失代价函数，并选择合适的方法初始化所设计网络的参数；模型训练。

主权项

1.一种基于多路径深度神经网络的水面分割方法，包括下列步骤：(1)收集包含各种不同类别物体的图像，并标注每张图像中的所有感兴趣物体，标注内容每个像素点的所属物体类别，以其作为图像标签信息；(2)图像集划分；将收集的图像划分为训练集，验证集和测试集，训练集用于训练卷积神经网络，验证集用于选择最佳的训练模型，测试集为后续测试模型效果或者实际应用时使用；(3)设计基于多路径深度神经网络结构，用以实现物体有效检测；1)设计主干网络；2)设计语义分割网络：由三路径的卷积神经网络并联而成，每个路径由三个不同膨胀率的膨胀卷积串联，每个膨胀卷积下边的数字代表膨胀卷积的膨胀率，在每个膨胀卷积层，引入1×1的卷积层来降低通道数，采用dense结构连接每个路径中的膨胀卷积并在路径间使用跨连接，可使感受野更加稠密；3)设计解码网络：将语义分割网络的输出上采样，与主干网络中的低层级语义特征相加后通过一个3×3的卷积层再上采样，得到最终的分割结果；4)设计训练过程中所需的损失代价函数，并选择合适的方法初始化所设计网络的参数；(4)输入数据，前向计算预测结果和损失代价，通过反向传播算法计算参数的梯度并更新参数；迭代的更新参数，待代价函数曲线收敛时，模型训练完毕；(5)将训练好的模型应用于测试/实际应用中，当输入图像时，通过该模型可以计算得到图像语义分割结果，辅助实际应用场景中的决策。