[发明专利]基于多尺度特征和编解码器模型的街景图像语义分割方法

摘要

本发明公开了一种基于多尺度特征和编解码器模型的街景图像语义分割方法，包括以下步骤：原始图像输入深度卷积神经网络提取初始特征图；将初始特征图输入第一多尺度空间金字塔池化模块输出第一特征图；第一特征图输入第二多尺度空间金字塔池化模块输出第二特征图；第二特征图通过然后利用上采样操作和跳跃连接还原为原始图像大小得到最终的预测图；所述第一多尺度空间金字塔池化模块和第二多尺度空间金字塔池化模块输出特征图由通过1×1卷积、通过四个扩张率不同的atrous卷积以及通过平均池化操作提取的六种尺度的特征图级联后输出。本发明方法能够提高语义分割结果的精度，对目标边界的像素进行更准确的分类。

主权项

1.一种基于多尺度特征和编解码器模型的街景图像语义分割方法，其特征在于，包括以下步骤：S1、原始图像输入深度卷积神经网络提取初始特征图；S2、将初始特征图输入第一多尺度空间金字塔池化模块输出第一特征图；S3、将第一特征图输入第二多尺度空间金字塔池化模块输出第二特征图；S4、由所述第二特征图通过1×1卷积和第一上采样层与第一特征图1×1卷积后的特征图相连接还原成第一还原图；S5、所述第一还原图通过第二上采样层与所述初始特征图1×1卷积后相连接得到第二还原图；S6、所述第二还原图通过3×3卷积和第三上采样层还原为原始图像大小得到最终的预测图；所述第一多尺度空间金字塔池化模块和第二多尺度空间金字塔池化模块对输入的特征图处理输出特征图的方法为：将输入的特征图分别通过1×1卷积提取第一种尺度的特征图，通过四个扩张率不同的atrous卷积提取四种不同尺度下的特征图，通过平均池化操作提取最后一种尺度的特征图，共获得六种尺度的特征图；将所述六种尺度的特征图级联后得到最终的包含多尺度信息的特征图输出。