基于宽残差金字塔池化网络的图像分割方法及系统技术方案
【技术实现步骤摘要】
基于宽残差金字塔池化网络的图像分割方法及系统
本专利技术涉及图像处理和计算机视觉
，特别设计一种基于宽残差金字塔池化网络的图像分割方法及系统。
技术介绍
相关技术中，FCN(fullyconvolutionalnetwork，全卷积网络)开启了深度学习做图像语义分割的大门，此后的图像语义分割深度学习模型多是基于FCN做了一些改进。FCN是利用现存的CNNs(convolutionalneuralnetworks，卷积网络)做视觉模型，学习分层特征，再将分类网络最后的全连接层改为全卷积层，然后输出特征图，以取代分类得分，最后对这些特征图做反卷积，来产生稠密像素级标记的输出图。这种网络模型实现了用CNNs端到端地解决视觉问题。但是FCN缺少不同的特征感知，不能在具体问题和场景中很好的应用，因为它本身存在的空间不变性，使得它不能考虑上下文信息，不能感知实例等等。针对FCN的种种缺陷，研究者们提出了很多改进方法，大致包括：解码变种、整合上下文信息、条件随机场、膨胀卷积、多尺度聚合、特征融合以及递归神经网络。解码变种的方法中比较典型的是SegNet，它包含了编码器(卷...
【技术保护点】
一种基于宽残差金字塔池化网络的图像分割方法，其特征在于，包括以下步骤：输入待分割图像；对所述待分割图像进行标准化，以使所述待分割图像的像素均值为0且方差为1；获取WRN‑PPNet模型，其中，所述WRN‑PPNet模型包括WRN模块和PPNet模块，且所述WRN模块提取的特征与所述PPNet模块提取的特征相融合；对训练图像进行预处理，以使所述训练图像的像素均值为0且方差为1，且使得分割对象的像素标签为1且其余部分像素标签为0，并通过数据扩展法增加所述训练图像的模式和数量，得到训练图像集；根据所述WRN‑PPNet模型和所述训练图像集进行模型训练，以生成WRN‑PPNet分割...
【技术特征摘要】
1.一种基于宽残差金字塔池化网络的图像分割方法，其特征在于，包括以下步骤：输入待分割图像；对所述待分割图像进行标准化，以使所述待分割图像的像素均值为0且方差为1；获取WRN-PPNet模型，其中，所述WRN-PPNet模型包括WRN模块和PPNet模块，且所述WRN模块提取的特征与所述PPNet模块提取的特征相融合；对训练图像进行预处理，以使所述训练图像的像素均值为0且方差为1，且使得分割对象的像素标签为1且其余部分像素标签为0，并通过数据扩展法增加所述训练图像的模式和数量，得到训练图像集；根据所述WRN-PPNet模型和所述训练图像集进行模型训练，以生成WRN-PPNet分割模型；以及根据所述待分割图像通过所述WRN-PPNet分割模型得到图像分割结果。2.根据权利要求1所述的基于宽残差金字塔池化网络的图像分割方法，其特征在于，所述WRN模块包括第一宽残差块组、第二宽残差块组和第三宽残差块组，所述第一宽残差块组、所述第二宽残差块组和所述第三宽残差块组均包含四个宽残差块，每个宽残差块包含两个卷积层，卷积核大小均为3*3，且在每个卷积层之前均有一个批标准化BN层，且所述第一宽残差块组中，每个宽残差块输出的特征图FMs的尺寸与其输入的FMs的尺寸相等，第二宽残差块组和第三宽残差块组中，第一个宽残差块输出的FMs的尺寸是其输入的FMs尺寸的二分之一，其余宽残差块输出的FMs的尺寸等于其输入的FMs的尺寸。3.根据权利要求1所述的基于宽残差金字塔池化网络的图像分割方法，其特征在于，所述PPNet模块包括第一池化通路、第二池化通路和第三池化通路，所述第一池化通路的池化窗口大小为4*4，所述第二池化通路的池化窗口大小为2*2，所述第三池化通路的池化窗口大小为1*1，且池化方式均为平均池化。4.根据权利要求3所述的基于宽残差金字塔池化网络的图像分割方法，其特征在于，所述获取WRN-PPNet模型，进一步包括：在所述PPNet模块的池化通路上作反卷积操作，其中，在所述第一池化通路上作两次反卷积操作，并且在所述第二池化通路上作一次反卷积操作，以及在所述第三池化通路上有两个卷积层，且每个反卷积层之前均有两个卷积层，卷积核大小均为3*3。5.根据权利要求4所述的基于宽残差金字塔池化网络的图像分割方法，其特征在于，还包括：通过串联的方式，在模型做分割之前第二次将原输入图像引入所述WRN-PPNet模型，使用两个卷积核为3*3的卷积层，获得模型生成特征与原输入图像的超本地化特征的优化组合。6.一种基于宽残差金...
【专利技术属性】
技术研发人员：王瑜，朱婷，马泽源，
申请(专利权)人：北京工商大学，
类型：发明
国别省市：北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。