申请/专利权人:厦门大学
申请日:2024-01-10
公开(公告)日:2024-04-12
公开(公告)号:CN117876396A
主分类号:G06T7/11
分类号:G06T7/11;G06V10/774;G06V10/82;G06N3/0464;G06N3/08
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.04.30#实质审查的生效;2024.04.12#公开
摘要:本发明公开了一种基于可分裂卷积大尺度选择性注意力的可行驶区域分割方法及装置,包括:获取道路的实时图像;构建基于改进Deeplabv3+网络的可行驶区域分割模型并训练,得到经训练的可行驶区域分割模型,基于改进Deeplabv3+网络的可行驶区域分割模型在传统Deeplabv3+网络的编码器中的骨干网络和ASPP模块之间设置一个可分裂卷积大尺度选择性注意力模块,可分裂卷积大尺度选择性注意力模块包括一系列大尺度卷积核序列、一个空间核选择单元和一个第一卷积层;将实时图像输入经训练的可行驶区域分割模型,得到可分裂卷积大尺度选择性注意力模块的输出特征并输入ASPP模块,再经过解码器进行解码,得到分割结果,能够提高整体检测精度和边缘分割精度。
主权项:1.一种基于可分裂卷积大尺度选择性注意力的可行驶区域分割方法,其特征在于,包括以下步骤:获取道路的实时图像;构建基于改进Deeplabv3+网络的可行驶区域分割模型并训练,得到经训练的可行驶区域分割模型,所述基于改进Deeplabv3+网络的可行驶区域分割模型在传统Deeplabv3+网络的编码器中的骨干网络和ASPP模块之间设置一个可分裂卷积大尺度选择性注意力模块,所述可分裂卷积大尺度选择性注意力模块包括一系列大尺度卷积核序列、一个空间核选择单元和一个第一卷积层,所述一系列大尺度卷积核序列包括2~n个可分裂卷积;将所述实时图像输入所述经训练的可行驶区域分割模型,所述实时图像输入所述骨干网络,得到所述特征向量,所述特征向量输入所述可分裂卷积大尺度选择性注意力模块中,所述特征向量经过所述一系列大尺度卷积核序列,得到所述一系列大尺度卷积核序列中的每个可分裂卷积的输出特征,将所述一系列大尺度卷积核序列中的每个可分裂卷积的输出特征进行级联,得到级联特征,将所述级联特征输入所述空间核选择单元,得到分解后的大核序列特征,所述分解后的大核序列特征分别与每个可分裂卷积的输出特征相乘,得到每个相乘的结果,将每个相乘的结果相加后输入所述第一卷积层,得到注意力特征,所述注意力特征与所述特征向量相乘,得到所述可分裂卷积大尺度选择性注意力模块的输出特征,所述可分裂卷积大尺度选择性注意力模块的输出特征输入所述ASPP模块,再经过解码器进行解码,得到分割结果。
全文数据:
权利要求:
百度查询: 厦门大学 基于可分裂卷积大尺度选择性注意力的可行驶区域分割方法及装置
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。