【技术实现步骤摘要】
基于重要性加权的道路场景图像语义分割方法
本专利技术属于道路分割技术，具体是涉及一种基于重要性加权的道路场景图像语义分割方法。
技术介绍
语义分割是计算机视觉中十分重要的领域，它是指像素级地识别图像，即标注出图像中每个像素所属的对象类别。近年的自动驾驶技术中，也需要用到这种技术。车载摄像头探查到图像，后台计算机可以自动将图像分割归类，以避让行人和车辆等障碍。目前图像语义分割大部分都在采用深度学习技术，但是基于深度学习的几种网络模型都各有侧重点，专门用于道路场景的图像分割的方法比较少。
技术实现思路
本专利技术的目的在于提供一种基于重要性加权的道路场景图像语义分割方法，提升了车辆和行人的分割精度。实现本专利技术目的的技术解决方案为：一种基于重要性加权的道路场景图像语义分割方法，首先建立基于重要性加权的损失函数的SegNet神经网络架构；然后选择CityScapes数据集，划分成训练数据集、验证数据集、测试数据集，训练神经网络模型，进行道路场景图像语义分割。作为一种优选实施方式，SegNet神经网络架构包括5个卷积模块和反卷积模块，每个卷积模块中包含3个卷积层和一个最大池...
【技术保护点】
1.基于重要性加权的道路场景图像语义分割方法，其特点在于，首先建立基于重要性加权的损失函数的SegNet神经网络架构；然后选择CityScapes数据集，划分成训练数据集、验证数据集、测试数据集，训练神经网络模型，进行道路场景图像语义分割。
【技术特征摘要】
1.基于重要性加权的道路场景图像语义分割方法，其特点在于，首先建立基于重要性加权的损失函数的SegNet神经网络架构；然后选择CityScapes数据集，划分成训练数据集、验证数据集、测试数据集，训练神经网络模型，进行道路场景图像语义分割。2.根据权利要求1所述的基于重要性加权的道路场景图像语义分割方法，其特点在于，SegNet神经网络架构包括5个卷积模块和反卷积模块，每个卷积块中包含3个卷积层和一个最大池化的池化层，每个反卷积模块包含3个反卷积层和一个上采样层。3.根据权利要求2所述的基于重要性加权的道路场景图像语义分割方法，其特点在于，卷积模块和反卷积模块的卷积核选取大小为3*3的卷积核。4.根据权利要求2所述的基于重要性加权的道路场景图像语义分割方法，其特点在于，卷积模块和反卷积模块采用ReLu激活函数。5.根据权利要求1所述的基于重要性加权的道路场景图像语义分割方法，其特点在于，重要性加权的损失函数，将道路场景中车辆和行人...
【专利技术属性】
技术研发人员：袁夏，周宏扬，马浩炎，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏,32
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。