一种采用概率图梯度损失函数的图像语义分割方法技术

本发明专利技术公开了一种采用概率图梯度损失函数的图像语义分割方法，其特征在于含有：图像语义分割数据集，卷积网络，归一化指数函数，概率图损失以及概率图梯度损失。所述卷积网络用于从所述图像语义分割数据集中提取特征，这些特征经过所述归一化指数函数处理形成预测概率图。用于训练网络模型的损失函数由所述概率图损失与所述概率图梯度损失两部分构成。所述概率图损失使预测概率图中单个像素的概率值尽可能接近真实概率值，所述概率图梯度损失使预测概率图梯度尽可能接近真实概率图梯度。本发明专利技术的一种采用概率图梯度损失函数的图像语义分割方法能够有效学习语义分割图的局部细节特征，适用于推广应用。

A method of image semantic segmentation using probability graph gradient loss function

【技术实现步骤摘要】
一种采用概率图梯度损失函数的图像语义分割方法
本专利技术属于深度学习领域，特别涉及一种采用概率图梯度损失函数的图像语义分割方法。
技术介绍
当前图像语义分割方法通常采用基于单像素约束的损失函数(如交叉熵损失函数)训练模型，即使预测概率图中每个像素的概率值尽可能接近其真实概率值。然而，基于单像素概率值约束的损失函数忽略了隐藏在相邻像素概率值之间的信息，导致训练出来的模型所生成的语义分割图大都无法保持清晰的边缘和光滑的平面。
技术实现思路
为了解决上述采用单像素约束的损失函数难以学习到图像语义细节的问题，本专利技术提供一种采用概率图梯度损失函数的图像语义分割方法。本专利技术的一种采用概率图梯度损失函数的图像语义分割方法属于深度学习领域，其特征在于包含：图像语义分割数据集，卷积网络，归一化指数函数，概率图损失以及概率图梯度损失。上述卷积网络可形式化为：xf＝f(x|θ)其中f(·)为卷积网络对应的映射函数，θ为卷积网络包含的参数，x为图像语义分割数据集中的图片，xf为卷积网络提取的特征。xf经过如下归一化指本文档来自技高网...

【技术保护点】
1.一种采用概率图梯度损失函数的图像语义分割方法，其特征在于包含：图像语义分割数据集，卷积网络，归一化指数函数，概率图损失以及概率图梯度损失。/n

【技术特征摘要】
1.一种采用概率图梯度损失函数的图像语义分割方法，其特征在于包含：图像语义分割数据集，卷积网络，归一化指数函数，概率图损失以及概率图梯度损失。


2.根据权利要求1中所述一种采用概率图梯度损失函数的图像语义分割方法，其特征在于所述卷积网络可形式化为：
xf＝f(x|θ)
其中f(·)为所述卷积网络对应的映射函数，θ为所述卷积网络包含的参数，x为所述图像语义分割数据集中的图片，xf为所述卷积网络提取的特征。


3.根据权利要求1中所述一种采用概率图梯度损失函数的图像语义分割方法，其特征在于所述归一化指数函数将所述卷积网络提取的特征xf转换为预测概率图ppred，



其中为所述预测概率图ppred的第c通道(c∈[1，C])，m与n...

【专利技术属性】
技术研发人员：王吴凡，朱纪洪，杨佳利，匡敏驰，史恒，闫星辉，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京;11