【技术实现步骤摘要】
基于无人驾驶技术对实例分割的改进方法
本专利技术属于一种典型的计算机视觉、图像识别及图像分类问题。特别的，本专利技术想要基于无人驾驶技术对实例分割进行一些改进，本专利技术是基于数据分类以及对FCN的结构改进的方法。技术背景近年来无人驾驶技术快速发展，无人驾驶汽车是通过车载传感系统感知道路环境，自动规划行车路线并控制车辆到达预定目标的智能汽车。而在无人驾驶技术中，如何有效快速准确的识别车辆前方的物体和行人毫无疑问是当前无人驾驶技术发展的一个很大的障碍，如果不能再短时间内准确识别并做出反应，那么无人驾驶技术将很难走远。近年来，人工神经网络识别技术已经引起了社会广泛的关注，并且大量应用于图像分割。基于神经网络的分割方法的基本思想是通过训练多层感知机来得到线性决策函数，然后用决策函数对像素进行分类来达到分割的目的。但往往在深度学习中在一个框架中只能完成单线程任务，而近年来随着深度学习计算机视觉领域的发展，越来越要求在深度神经网络中实现多任务集成，即目标检测，图像分类，图像分割通过一个学习框架完成，代表框架就是实例分割，因此我们想要基于无人驾驶技术的需要对实例分割进行改...
【技术保护点】
1.基于无人驾驶技术对实例分割的改进方法，其特征在于：提出在基于MASK R‑CNN的Faster R‑CNN上对目标进行检测以及分类，之后通过FCN特征粗提取以及CRF优化输出实例分割的结果；具体实现步骤如下：步骤1、使用偏监督的方法对目标进行分类；步骤2、卷积过程采用深度可分离卷积，获取特征；步骤3、对卷积层得到的特征进行特征融合优化，在低层引入语义信息，在高层引入高分辨率细节。
【技术特征摘要】
1.基于无人驾驶技术对实例分割的改进方法，其特征在于：提出在基于MASKR-CNN的FasterR-CNN上对目标进行检测以及分类，之后通过FCN特征粗提取以及CRF优化输出实例分割的结果；具体实现步骤如下：步骤1、使用偏监督的方法对目标进行分类；步骤2、卷积过程采用深度可分离卷积，获取特征；步骤3、对卷积层得到的特征进行特征融合优化，在低层引入语义信息，在高层引入高分辨率细节。2.根据权利要求1所述的基于无人驾驶技术对实例分割的改进方法，其特征在于步骤1使用偏监督的方法对目标进行分类，具体实现如下：1-1.给定一个感兴趣类别集合，其中一个小的类别集合有实例掩码标注，而剩余类别集合仅仅有边框标注；1-2.利用步骤1-1的数据去拟合模型实现目标检测，该拟合模型能够在所有感兴趣类别上对目标进行分类，因为训练数据是掩码数据和边框数据的混合，所以称该任务为偏监督学习；1-2-1.在MASKR-CNN上建立一个全新的迁移学习方法，MASKR-CNN将实例分割问题分解为边框检测和掩码预测两个子任务；两个子任务使用专用共同的头部网络训练；训练时，首先用边框头部的参数给每一个类别进行编码，使得视觉信息能够传递到偏监督掩码的头部；1-2-2.设计一个参数化的权值转移函数来实现偏监督，通过训练该权值转移函数作为边框检测函数的参数来预测实例分割的参数；该权值转移函数使用带有掩码标签的类作为监督在MaskR-CNN上训练；在推理的时候，该权值转移函数用于预测每个类别的参数，因此使得模型能够识别所有的目标类别，并且包括那些训练时候没有掩码标注的类别；设C是想要进行目标分类以及检测的目标类别集合，在偏监督中设C＝A∪B，其中A所有类别的样本都有实例掩码标注，而B中的所有样本仅有边框标注；因为B中的样本关于目标任务都被弱标签化，所以称在强标签和弱标签结合上的训练为偏监督学习问题；1-2-3.在MaskR-CNN中，边框分支的最后一层和掩码分支的最后一层都包含具体类别参数，该参数分别用于每个类别的边框分类和实例掩码预测；因此能够构造出与类别无关的，能够把边框参数和掩码参数联合训练的权重转移函数，函数能够实现从边框参数来...
【专利技术属性】
技术研发人员：颜成钢，黄继昊，刘启钦，孙垚棋，张继勇，张勇东，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江,33
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。