The present invention relates to an image semantics segmentation method based on global and local features of deep learning, which includes the following steps: at the coding end, the basic depth features of the image are extracted by using the convolution neural network model based on deep learning, and the features are divided into low-level features and high-level features according to the depth of the convolution layer; and the low-level features and high-level features are applied by the feature fusion module. Fusion into enhanced depth features; after acquiring depth features, input them to the decoder; take cross-entropy loss function as the goal of training network, use mIoU to evaluate network performance. The method has reasonable design, uses the depth convolution neural network model to extract the global and local features of the image, makes full use of the complementarity of the global and local features, and further improves the performance by using the stacked pooling layer, thus effectively improving the accuracy of image semantics segmentation.
【技术实现步骤摘要】
基于深度学习的全局特征和局部特征的图像语义分割方法
本专利技术属于计算机视觉图像语义分割
,尤其是一种基于深度学习的全局特征和局部特征的图像语义分割方法。
技术介绍
图像语义分割是指通过一定的方法将图像中的每个像素分为不同的语义类别,实现从底层到高层语义的推理过程,最终得到显示不同分割区域的逐像素语义标注的分割图。图像语义分割广泛用于汽车自动驾驶中的街景识别及目标检测、无人机落地点检测、场景理解、机器人视觉等许多计算机视觉任务方面的应用。从基于计算机视觉的机器学习方法到目前基于深度学习的方法,图像语义分割算法的研究得到了很大的进展,但是,由于工业需求的不断加大,图像语义分割依然是计算机视觉任务中的研究热点之一。尽管图像语义分割方法目前已经有了快速的发展,但是,因为它的复杂性,仍然有很多问题有待解决。图像语义分割的挑战性主要体现在:(1)物体层次的不确定性,这是因为图像的明亮程度、模糊程度、图像中物体的大小及方向等诸多因素的影响;(2)物体类别层次的模糊性,同一个物种的不同类别,也不好分别开。为了减少不确定性和模糊性等外界因素的影响,充分利用图像中的信息(如图像像素值,从中可以提出许多特征,如颜色特征、图像中像素、物体之间的联系等上下文信息),获得更好的特征表示,是一个重要的方法。为了提高图像语义分割的准确性,人们也一直在努力使用先进的算法。因此,对图像语义分割算法进行进一步的研究仍然具有非常重大的实际意义。早期的图像语义分割利用手工标注特征,如方向梯度直方图HOG和尺度不变特征转换SIFT。基于机器学习的方法从最简单的像素级别阈值法、基于像素聚类的分 ...
【技术保护点】
1.一种基于深度学习的全局特征和局部特征的图像语义分割方法,其特征在于包括以下步骤:步骤1、在编码端,使用基于深度学习卷积神经网络模型提取图像的基础深度特征,同时根据卷积层的深度将特征分为低层特征和高层特征;步骤2、应用特征融合模块将低层特征和高层特征融合成增强型的深度特征;步骤3、在获取深度特征后,将其输入到解码端;步骤4、以交叉熵损失函数为目标训练网络,使用mIoU评价网络性能。
【技术特征摘要】
1.一种基于深度学习的全局特征和局部特征的图像语义分割方法,其特征在于包括以下步骤:步骤1、在编码端,使用基于深度学习卷积神经网络模型提取图像的基础深度特征,同时根据卷积层的深度将特征分为低层特征和高层特征;步骤2、应用特征融合模块将低层特征和高层特征融合成增强型的深度特征;步骤3、在获取深度特征后,将其输入到解码端;步骤4、以交叉熵损失函数为目标训练网络,使用mIoU评价网络性能。2.根据权利要求1所述的基于深度学习的全局特征和局部特征的图像语义分割方法,其特征在于:所述低层特征由纹理、边缘的局部特征组成,所述高层特征包括语义信息的全局特征。3.根据权利要求1或2所述的基于深度学习的全局特征和局部特征的图像语义分割方法,其特征在于:所述步骤1的具体实现方法包括以下步骤:⑴将输入图像缩放到统一尺寸224×224,以Resnet18卷积神经网络架构作为预训练的基础卷积神经网络并去除其最后的全连接层,然后将网络分成4个模块;⑵将缩放后的图像输入到修改后的Resnet18卷积神经网络架构中,图像经过一系列卷积、批量归一化、池化、ReLU操作后,每个模块输出一种特征,其分辨率依次为56×56,28×28,14×14,7×7的局部特征;⑶将7×7的局部特征输入到全局池化层,得到1×1的全局特征。4.根据权利要求1所述的基于深...
【专利技术属性】
技术研发人员:宋辉,解伟,郭晓强,周芸,姜竹青,门爱东,
申请(专利权)人:国家新闻出版广电总局广播科学研究院,北京邮电大学,
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。