[发明专利]基于最大化预测和标签间相关性损失函数的语义分割方法有效
| 申请号： | 201910505928.8 | 申请日： | 2019-06-12 |
| 公开（公告）号： | CN110322445B | 公开（公告）日： | 2021-06-22 |
| 发明（设计）人： | 赵帅;蔡登;武伯熹 | 申请（专利权）人： | 浙江大学 |
| 主分类号： | G06T7/10 | 分类号： | G06T7/10;G06N3/04 |
| 代理公司： | 杭州天勤知识产权代理有限公司 33224 | 代理人： | 胡红娟 |
| 地址： | 310013 浙江*** | 国省代码： | 浙江;33 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于最大化预测和标签间相关性损失函数的语义分割方法，包括：(1)将真实场景图片输入分割模型，获得预测图片；(2)用一个高斯核函数在预测图片和标签图片上进行滑动卷积，获得局部统计特征；(3)根据得到的局部统计特征，计算预测图片和标签图片中对应区域间的线性相关性强弱；(4)将线性相关性强弱的指标作为权重，调整图片中像素点的交叉熵损失的值并进行困难样本挖掘；(5)根据获得的损失值更新分割模型中的权重参数；(6)重复上述步骤直到训练结束，并进行语义分割的应用。利用本发明，可以使得分割模型在训练过程中，更多的关注那些导致预测和标签间低相关性的点，从而提升分割模型的图像分割效果。 | ||
| 搜索关键词： | 基于 最大化 预测 标签 相关性 损失 函数 语义 分割 方法 | ||
【主权项】：
1.一种基于最大化预测和标签间相关性损失函数的语义分割方法，其特征在于，包括：(1)将真实场景图片输入分割模型，获得预测图片；(2)用一个高斯核函数在预测图片和标签图片上进行滑动卷积，获得局部统计特征，包括局部的均值和方差；(3)根据得到的局部统计特征，计算预测图片和标签图片中对应区域间的线性相关性强弱；(4)将线性相关性强弱的指标作为权重，调整图片中像素点的交叉熵损失的值并进行困难样本挖掘；(5)计算每个训练批次中困难样本的结构损失函数，并进一步计算用于优化分割模型的总损失函数，更新分割模型中的权重参数；(6)重复上述步骤(1)至步骤(5)，达到预设训练次数后结束训练，并将训练完毕的模型进行语义分割的应用。
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浙江大学，未经浙江大学许可，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/201910505928.8/，转载请声明来源钻瓜专利网。
