申请/专利权人：中南大学

申请日：2022-04-29

公开（公告）日：2024-04-16

公开（公告）号：CN114782949B

主分类号：G06V20/70

分类号：G06V20/70;G06V10/20;G06V10/44;G06V10/82;G06N3/0464;G06N3/082

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2022.08.09#实质审查的生效;2022.07.22#公开

摘要：本发明公开了一种边界引导上下文聚合的交通场景语义分割方法，其实施方案为：1获取数据集与分割标签；2数据处理；3构建分割模型；4构建损失函数；5训练分割模型；6交通场景图像分割。本发明构建的具有边界细化模块的交通场景分割模型，在去除低层次的轮廓纹理信息的同时保留了高级的语义边界信息，能够有效检测对象的边界，并沿着目标边界聚合上下文信息，增强同类像素的一致性，从而有效利用边界信息对交通场景图像进行语义分割。本发明方法能够捕获边界区域像素与对象内部像素之间的依赖关系，有效提高分割准确性和鲁棒性。

主权项：1.一种边界引导上下文聚合的交通场景语义分割方法，其特征在于包括以下步骤：1获取数据集与分割标签：获取交通场景公开数据集与对应的分割标签；2数据处理，具体包括以下步骤：2-a对步骤1获取的数据集中的图像与对应的分割标签同步水平翻转；2-b将步骤2-a获得的图像及对应的分割标签都缩放至m1×m2像素大小，其中m1和m2分别为缩放后图像的宽和高，m1、m2都为正整数；2-c将步骤2-b缩放得到的图像及对应的分割标签进行归一化操作，组成处理后的样本数据集；3构建分割模型，具体包括以下步骤：3-a构建语义分割模块，该模块一共包括五组下采样层和一个空洞空间卷积池化金字塔模块，即ASPP模块；输入图像依次经过这五组下采样层，分别得到特征图F1、F2、F3、F4和F5，F5经过ASPP模块后，得到特征图Ff；第一组下采样层由一个残差卷积块与一个池化层组成，第二、三、四、五组下采样层都由一个残差卷积块组成；3-b构建边界细化模块，将步骤3-a得到的特征图F2、F3、F4和F5分别经过一个卷积核大小为1×1的卷积层后得到相应的特征图F2′、F3′、F4′和F5′；利用边缘检测算子对输入图像进行边缘检测得到特征图B1，将B1经过一个卷积核大小为1×1的卷积层后得到特征图B11，B11与F2′共同输入到第一个注意力门控模块AG1，得到特征图B2；将B11经过一个卷积核大小为1×1的卷积层后得到特征图B12，B12与F3′共同输入到第二个注意力门控模块AG2后得到特征图B3；将B12经过一个卷积核大小为1×1的卷积层后得到特征图B13，B13与F4′共同输入到第三个注意力门控模块AG3后得到特征图B4；将B13经过一个卷积核大小为1×1的卷积层后得到特征图B14，B14与F5′共同输入到第四个注意力门控模块AG4后得到特征图B5；最后将特征图B2、B3、B4和B5拼接后得到特征图Bs，Bs经过一个卷积核大小为1×1的卷积层降维后得到特征图Bf；3-c将步骤3-a得到的特征图Ff与步骤3-b得到的特征图Bf共同输入到上下文聚合模块，即CAM模块，得到特征图Fp，Fp经过一个卷积核大小为3×3的卷积层后得到特征图F′p，将F′p上采样至原始图像大小，得到交通场景语义分割结果；将步骤3-b得到的特征图Bf经过一个卷积核大小为3×3的卷积层后得到特征图Bp，将Bp上采样至原始图像大小，得到交通场景边界的二值分割结果；4构建损失函数：构建以下联合损失函数：L＝λ1Lbody+λ2Lboun+λ3Laux 其中，Lbody表示语义分割的交叉熵损失，Lboun表示边界分割的二项式交叉熵损失，Laux表示辅助的交叉熵损失，表示像素i为第k类标签的真值，yi∈[0,1]表示像素i为边界的真值，λ1,λ2,λ3为超参数，其中λ1∈0,1]，λ2∈0,1]，λ3∈0,20]，I代表输入图像，k取正整数且k∈[1,K]，K为分割结果的类别数，取正整数且K∈[2,160]，表示像素i为第k类的预测结果，pi∈0,1表示像素i为边界的预测结果，log为自然对数；5训练分割模型：利用步骤2得到的样本数据集训练步骤3构建完成的分割模型，根据步骤4构建的损失函数得到损失值，并使用随机梯度下降法更新模型内的参数，直至损失值不再下降，得到训练好的分割模型；6交通场景图像分割：获取待分割的交通场景图像，按照步骤2对它们进行数据处理后，输入步骤5得到的训练好的分割模型中，得到最终分割结果。

全文数据：

权利要求：

百度查询： 中南大学 一种边界引导上下文聚合的交通场景语义分割方法

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD