【技术实现步骤摘要】
参照边缘图像的客体检测方法及装置
本专利技术涉及基于CNN的用于检测特定客体的方法,具体来讲,涉及如下学习方法及学习装置、基于其的测试方法及测试装置。所述学习方法为基于CNN的用于检测所述特定客体的方法,其特征在于,包括:(a)获得输入图像的情况下,学习装置执行(i)对所述输入图像适用至少一次卷积运算以获得至少一个特定特征图的过程及(ii)从所述输入图像提取至少一个边缘部分以获得边缘图像,从获得的所述边缘图像中获得包括关于具有与所述特定客体类似的特定形态的至少一个特定边缘部分的信息的至少一个引导图的过程的步骤;以及(b)所述学习装置向所述特定特征图反映所述引导图获得用于检测所述输入图像内的所述特定客体的分割结果的步骤。
技术介绍
深度学习是用于对事物或数据聚类或分类的技术。例如,计算机仅凭照片无法区分狗与猫。而人能够轻易地区分。为此研究出了所谓“机器学习(MachineLearning)”的方法。是将大量数据输入到计算机并将近似的分为同一类的技术。其在输入了与存储的狗照片近似的照片的情况下,计算机将此分类为狗照片。关于如何对数据分类,已经出现了很多机器学习算法。典型的有“决策树”、“贝叶斯网络”、“支持向量机(SVM)”、“人工神经网络”等。其中深度学习是人工神经网络的后裔。深度卷积神经网络(DeepConvolutionNeuralNetworks;DeepCNN)是深度学习领域发生的惊人的发展核心。CNN为了解决文字识别问题而自90年代以来开始使用,而像目前广泛使用是则多亏近来的研究结果。这种深度 ...
【技术保护点】
1.一种学习方法,是基于CNN的用于检测特定客体的方法,其特征在于,包括:/na:获得了输入图像的情况下,学习装置执行i.对所述输入图像适用至少一次卷积运算以获得至少一个特定特征图的过程及ii.从所述输入图像提取至少一个边缘部分以获得边缘图像,从获得的所述边缘图像获得包括关于具有与所述特定客体类似的特定形态的至少一个特定边缘部分的信息的至少一个引导图的过程的步骤;以及/nb:所述学习装置向所述特定特征图反映所述引导图获得用于检测所述输入图像内的所述特定客体的分割结果的步骤。/n
【技术特征摘要】
20180904 US 16/120,6641.一种学习方法,是基于CNN的用于检测特定客体的方法,其特征在于,包括:
a:获得了输入图像的情况下,学习装置执行i.对所述输入图像适用至少一次卷积运算以获得至少一个特定特征图的过程及ii.从所述输入图像提取至少一个边缘部分以获得边缘图像,从获得的所述边缘图像获得包括关于具有与所述特定客体类似的特定形态的至少一个特定边缘部分的信息的至少一个引导图的过程的步骤;以及
b:所述学习装置向所述特定特征图反映所述引导图获得用于检测所述输入图像内的所述特定客体的分割结果的步骤。
2.根据权利要求1所述的学习方法,其特征在于:
从所述输入图像去除特定临界值以下的频率成份得到所述边缘图像。
3.根据权利要求1所述的学习方法,其特征在于:
所述边缘图像是算出所述输入图像像素的梯度后提取所述输入图像的所述像素中具有预设临界值以上的梯度的至少一个像素生成的侃尼边缘图像。
4.根据权利要求1所述的学习方法,其特征在于:
通过对与所述特定客体类似的所述特定形态赋予第一加权值且对与所述特定客体类似的所述特定形态外的至少一个形态赋予第二加权值获得所述引导图,
所述第一加权值大于所述第二加权值。
5.根据权利要求1所述的学习方法,其特征在于:
通过对所述边缘图像适用至少一次膨胀运算或形态学运算以加宽所述特定边缘部分生成所述引导图。
6.根据权利要求1所述的学习方法,其特征在于:
在所述b步骤中,
所述学习装置向所述引导图与所述特定特征图乘以像素宽度生成至少一个边缘强化的特征图。
7.根据权利要求1所述的学习方法,其特征在于:
所述b步骤包括:
b1:有多个所述特定特征图的状态下,所述学习装置为了生成使得各所述特定特征图的尺寸与各经过尺寸调整的引导图的尺寸相同的至少一个所述经过尺寸调整的引导图而调整所述引导图的尺寸的步骤;以及b2:所述学习装置向所述引导图和与之对应的特定特征图乘以像素宽度且向所述经过尺寸调整的引导图和与之对应的特定特征图乘以像素宽度生成多个边缘强化的特征图的步骤。
8.根据权利要求1所述的学习方法,其特征在于:
在所述b步骤中,
被反映所述引导图的所述特定特征图选自从所述学习装置的编码层获得的至少一个特征图与从所述学习装置的解码层获得的至少一个特征图。
9.根据权利要求1所述的学习方法,其特征在于:
所述特定客体为道路的至少一个车道线。
10.根据权利要求1所述的学习方法,其特征在于,还包括:
c:所述学习装置参照所述分割结果和与之对应的GT算出分割损耗的步骤;以及
d:所述学习装置利用所述分割损耗执行反向传播以优化所述学习装置的至少一个参数的步骤。
11.一种测试方法,是用于检测包含于基于CNN图像的至少一个特定客体的测试方法,其特征在于,包括:
a:在执行了i.学习装置对训练图像适用至少一次卷积运算获得至少一个特定学习用特征图的过程、ii.所述学习装置从所述训练图像提取至少一个边缘部分获得学习用边缘图像,从获得的所述学习用边缘图像获得包括关于具有与所述特定客体类似的特定形态的特定学习用边缘部分的信息的至少一个学习用引导图的过程、iii.所述学习装置向所述特定学习用特征图反映所述学习用引导图获得用于检测所述训练图像内的所述特定客体的学习用分割结果的过程、iv.所述学习装置参照检测的所述学习用分割结果和与之对应的GT算出分割损耗的过程及v.所述学习装置利用所述分割损耗执行反向传播优化所述学习装置的至少一个参数的过程的状态下,测试装置获得测试图像的步骤;
b:所述测试装置执行i.对所述测试图像适用至少一次卷积运算得到至少一个特定测试用特征图的过程及ii.从所述测试图像提取至少一个边缘部分获得测试用边缘图像,从获得的所述测试用边缘图像获得包括关于具有与所述特定客体类似的特定形态的至少一个特定边缘部分的信息的至少一个测试用引导图的过程的步骤;以及
c:所述测试装置向所述特定测试用特征图反映所述测试用引导图获得用于检测所述测试图像内的所述特定客体的测试用分割结果的步骤。
12.根据权利要求11所述的测试方法,其特征在于:
通过从所述测试图像去除特定临界值以下的频率成份获得所述测试用边缘图像。
13.根据权利要求11所述的测试方法,其特征在于:
所述测试用边缘图像是算出所述测试图像像素的梯度后提取所述测试图像的所述像素中具有预设临界值以上的梯度的至少一个像素生成的侃尼边缘图像。
14.根据权利要求11所述的测试方法,其特征在于:
通过对于所述特定客体类似的所述特定形态赋予第一加权值且向与所述特定客体类似的所述特定形态以外的至少一个形态赋予第二加权值获得所述测试用引导图,
所述第一加权值大于所述第二加权值,
通过对所述测试用边缘图像适用至少一次膨胀运算或形态学运算以加宽所述特定测试用边缘部分生成所述测试用引导图。
15.根据权利要求11所述的测试方法,其特征在于:
所述c步骤包括:
c1:有多个所述特定测试用特征图的状态下,所述测试装置为了生成使得各所述特定测试用特征图的尺寸与各经过尺寸调整的测试用引导图的尺寸相同的至少一个所述经过尺寸调整的测试用引导图而调整所述测试用引导图的尺寸的步骤;以及
c2:所述测试装置向所述测试用引导图和与之对应的特定测试用特征图乘以像素宽度且向所述经过尺寸调整的测试用引导图和与之对应的...
【专利技术属性】
技术研发人员:金桂贤,金镕重,金寅洙,金鹤京,南云铉,夫硕焄,成明哲,吕东勋,柳宇宙,张泰雄,郑景中,诸泓模,赵浩辰,
申请(专利权)人:斯特拉德视觉公司,
类型:发明
国别省市:韩国;KR
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。