[发明专利]一种基于深度多尺度神经网络的语义分割方法

摘要

本发明涉及一种基于深度多尺度神经网络的语义分割方法，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，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；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；设计基于深度多尺度神经网络结构，用以有效实现物体检测，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。

主权项

1.一种基于深度多尺度神经网络的语义分割方法，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)设计基于深度多尺度神经网络结构，用以有效实现物体检测，包括：①设计主干网络；②设计语义分割网络：语义分割网络由三个3×3的卷积神经网络串联而成，采用bottleneck的结构，在每个3×3的卷积层前后分别加1×1的卷积层，前边的用来提高特征图的通道数，后边的用来降低特征图的通道数，采用dense结构连接3×3卷积层；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选择合适的损失函数，设置训练迭代次数，初始化参数；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或实际应用中，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。