申请/专利权人:上海海事大学
申请日:2021-04-23
公开(公告)日:2024-04-05
公开(公告)号:CN113033572B
主分类号:G06V10/26
分类号:G06V10/26;G06V10/764;G06V10/80;G06V10/82;G06N3/0464;G06N3/0455;G06N3/048
优先权:
专利状态码:有效-授权
法律状态:2024.04.05#授权;2021.07.13#实质审查的生效;2021.06.25#公开
摘要:本发明公开了一种基于USV的障碍物分割网络及其生成方法,在编码部分,用一个膨胀卷积层替换VGG16的全连接层以及block5中的最大池化层形成修改后的VGG16,使修改后的VGG16作为编码器,使用膨胀卷积层的目的是能够在不损失分辨率的情况下扩大感受野以及获取更多的上下文信息。将两个注意力细化模块加入到网络的解码部分中用于细化输出特征,然后加入特征融合模块去实现高级和低级特征的融合。该新型语义分割网络是基于UNet的编‑解码结构,在此基础上进行改进与提升,本发明可以更好的检测障碍物,尤其是小障碍物的检测,降低了误检率和漏检率。
主权项:1.一种基于USV的障碍物分割网络的生成方法,其特征在于,在编码部分,用一个膨胀卷积层替换VGG16的全连接层以及block5中的最大池化层形成修改后的VGG16,使修改后的VGG16作为编码器,使用膨胀卷积层的目的是能够在不损失分辨率的情况下扩大感受野以及获取更多的上下文信息;将两个注意力细化模块加入到网络的解码部分中用于细化输出特征,然后加入特征融合模块去实现高级和低级特征的融合;所述膨胀卷积比率为2;将两个注意力细化模块添加至网络中,其中,一个注意力细化模块用于优化编码器的第一个模块block1中的输出特征,另一个注意力细化模块用于优化解码器中经过一系列上采样后的特征,然后将这两个注意力细化模块进行级联以细化输出的特征;在解码部分添加特征融合模块,该特征融合模块用于将网络中的低级特征和高级特征进行特征融合;选用LeakyRelu激活函数去替代原始的特征融合模块中的Relu激活函数;使用Softmax函数添加在解码器的最后一个模块中,用于输出多个分类;使用Cross-Entropy损失函数和Dice损失函数共同训练该网络,具体采用如下公式: 其中,Hp,q为交叉熵,p代表真实的概率分布,q代表预测的概率分布; 其中,X表示地面真值图片,Y表示预测图片;loss=ce_loss+dice_loss.3其中,loss为总损失。
全文数据:
权利要求:
百度查询: 上海海事大学 一种基于USV的障碍物分割网络及其生成方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。