一种基于深度学习的语义图像分割方法技术

本发明专利技术提供一种基于深度学习的语义图像分割方法，涉及人工智能的计算机视觉技术领域。该方法包括：对输入图像进行预处理；利用带有共享分解卷积结构的深度卷积神经网络提取特征；提取深度网络中不同层级的特征信息；利用双线性插值法恢复空间特征分辨率；将所得特征进行级联；共享卷积计算并得到单通道特征图；恢复编码阶段所得特征的空间分辨率；将单通道特征图与解码阶段特征图进行级联；计算交叉熵损失，更新深度神经网络参数。本方法克服了随孔洞卷积膨胀率的增大而导致的网格伪影问题，并克服了随网络层次的加深而导致的稀疏空间特征分辨率的问题，同时提高了网络模型对于目标的分割精确度和平均交并比。

A Semantic Image Segmentation Method Based on Deep Learning

【技术实现步骤摘要】
一种基于深度学习的语义图像分割方法
本专利技术涉及人工智能的计算机视觉
，尤其涉及一种基于深度学习的语义图像分割方法。
技术介绍
随着国家经济和科学技术的不断发展，人民对智能生活向往的需求越来越多。于是在这样的需求背景下，人工智能在各领域的应用得到快速发展。图像语义分割作为人工智能技术的一部分对未来人民生活、工农业生产和国防安全建设等领域都有着至关重要的作用。语义图像分割技术是一种典型的计算机视觉问题，其涉及将一些原始数据(例如，平面图像)作为输入并将它们转换为具有突出显示的感兴趣区域的掩模，其中图像中的每个像素根据其所属的感兴趣对象被分配类别。早期的计算机视觉问题只发现边缘(线条和曲线)或渐变等元素，但它们从未完全按照人类感知的方式提供像素级别的图像理解。语义分割将属于同一目标的图像部分聚集在一起来解决这个问题，从而扩展了其应用领域。在深度学习方法流行之前，基于随机森林分类器等语义分割方法是用得比较多的方法。不过在深度卷积网络流行之后，深度学习方法相比传统方法模型效果得到大幅提升。语义图像分割方法，是通过将图像分割成块后输入深度模型，然后对像素进行分类。语义图像分割的方法有很本文档来自技高网...

【技术保护点】
1.一种基于深度学习的语义图像分割方法，其特征在于：包括以下步骤：步骤1：收集图像，并对所得图像进行预处理，使图像具有相同的空间特征分辨率；步骤1.1：对所得图像利用随机缩放的方法进行图像强化；步骤1.2：将强化后的图像裁剪成固定大小，使其具有相同的空间特征分辨率；步骤2：利用带有共享分解卷积结构的深度卷积神经网络对预处理后的图像进行特征提取，得到抽象后的图像特征；步骤3：利用边界强化结构来丰富图像的目标边界位置信息；步骤4：利用双线性插值法对孔洞卷积计算后所得图像的特征分辨率进行恢复，得到特征恢复图，使其与原始图像空间特征分辨率相同；步骤5：将所得特征恢复图与单通道的卷积特征图进行级联，通过...

【技术特征摘要】
1.一种基于深度学习的语义图像分割方法，其特征在于：包括以下步骤：步骤1：收集图像，并对所得图像进行预处理，使图像具有相同的空间特征分辨率；步骤1.1：对所得图像利用随机缩放的方法进行图像强化；步骤1.2：将强化后的图像裁剪成固定大小，使其具有相同的空间特征分辨率；步骤2：利用带有共享分解卷积结构的深度卷积神经网络对预处理后的图像进行特征提取，得到抽象后的图像特征；步骤3：利用边界强化结构来丰富图像的目标边界位置信息；步骤4：利用双线性插值法对孔洞卷积计算后所得图像的特征分辨率进行恢复，得到特征恢复图，使其与原始图像空间特征分辨率相同；步骤5：将所得特征恢复图与单通道的卷积特征图进行级联，通过softmax函数进行归一化，得到深度卷积神经网络模型预测的图像分割边界；步骤6：计算深度卷积神经网络模型预测的分割边界与给定的标准分割边界之间的交叉熵损失，使用动量的批次随机梯度下降算法更新深度卷积神经网络的模型参数，实现对语义图像的分割。2.根据权利要求1所述的一种基于深度学习的语义图像分割方法，其特征在于：所述步骤2的具体方法为：步骤2.1：利用共享卷积对预处理后的图像中具有相关性的局部特征信息进行合并，得到特征合并后的图像；所述共享卷积的卷积核的大小为(2R-1)D，其中，R为孔洞卷...

【专利技术属性】
技术研发人员：朱和贵，王宝玉，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁,21