基于密集连接带孔卷积网络的初级特征提取器及提取方法技术

本发明专利技术属于图像信息处理技术领域，公开了一种基于密集连接带孔卷积网络的初级特征提取器及提取方法，初级特征解码器由多个不同卷积核的反卷积层组成，输出的特征图由多个反卷积层进行处理；特征结合层：由kernel为1×1、stride为1卷积层构成，进行降维处理；特征还原器由多个不同卷积核的反卷积层组成。本发明专利技术以DenseNet的密集连接方式连接带孔卷积并以此来构建DenseAtrousCNet的网络结构，能够同时获得带孔卷积和DenseNet的优势，既保留了传统神经网络的优点，又能够捕获更多的稠密特征，提升图像语义信息的利用率，而实现真正意义上的端到端的图像语义分割。

Primary feature extractor and extraction method based on dense connected convolutional network with holes

【技术实现步骤摘要】
基于密集连接带孔卷积网络的初级特征提取器及提取方法
本专利技术属于图像信息处理
，尤其涉及一种基于密集连接带孔卷积网络的初级特征提取器及提取方法。
技术介绍
目前，最接近的现有技术：传统的图像语义分割方法虽然也能做简单的语义分割，但是面对背景复杂或多个目标的图片时，存在网络运算量大、分割效果不明显和分割结果粗糙等问题，不利于图像批量处理，同时也不适应智能时代的需要，由此导致了传统的图像语义分割方法不能满足时代需求的局面。深度学习(DeepLearning，DL)技术被广泛研究和应用后，大量基于深度学习的图像语义分割方法(ImageSemanticSegmentationbasedonDeepLearning，ISSbDL)被提出，极大地改善了这种尴尬的状况。FCN是ISS领域具有代表性的网络模型，它在VGG-16网络基础上进行改进，使用卷积层替换全连接层，使用跨层(skiplayer)组合中间卷积层的特征图，能从抽象特征中恢复出像素类别，把图像级分类进一步延伸到像素级分类。DeepLab-V1在FCN的基础上结合了Hole算法，使本文档来自技高网...

【技术保护点】
1.一种基于密集连接带孔卷积网络的初级特征提取器，其特征在于，所述基于密集连接带孔卷积网络的初级特征提取器包括解码器模块，所述解码器模块使用多个反卷积层进行特征解码，包括初级特征解码器、特征结合层和特征还原器；/n所述初级特征解码器由多个不同卷积核的反卷积层组成，输出的大小为32×32的特征图由多个反卷积层进行处理；/n所述特征结合层：由kernel为1×1、stride为1卷积层构成，进行降维处理；/n所述特征还原器由多个不同卷积核的反卷积层组成；特征结合层所输出的特征图经过特征还原器中的多个反卷积层进行反卷积操作，对特征图进行4倍上采样处理。/n

【技术特征摘要】
1.一种基于密集连接带孔卷积网络的初级特征提取器，其特征在于，所述基于密集连接带孔卷积网络的初级特征提取器包括解码器模块，所述解码器模块使用多个反卷积层进行特征解码，包括初级特征解码器、特征结合层和特征还原器；
所述初级特征解码器由多个不同卷积核的反卷积层组成，输出的大小为32×32的特征图由多个反卷积层进行处理；
所述特征结合层：由kernel为1×1、stride为1卷积层构成，进行降维处理；
所述特征还原器由多个不同卷积核的反卷积层组成；特征结合层所输出的特征图经过特征还原器中的多个反卷积层进行反卷积操作，对特征图进行4倍上采样处理。


2.如权利要求1所述的基于密集连接带孔卷积网络的初级特征提取器，其特征在于，初级特征解码器达到4倍上采样效果后，特征图的分辨率变为128×128。


3.如权利要求1所述的基于密集连接带孔卷积网络的初级特征提取器，其特征在于，所述特征结合层结合不同的特征图；编码器中的初级特征提取器所输出的特征图与解码器中的初级特征解码器所输出的特征图进行特征结合，组合后的特征图分辨率为128×128。


4.如权利要求1所述的基于密集连接带孔卷积网络的初级特征提取器，其特征在于，所述特征还原器对特征图进行4倍上采样处理后，特征图分辨率恢复为512×512，得到最终的分割结果。


5.如权利要求1所述的基于密集连接带孔卷积网络的初级特征提取器，其特征在于，所述基于密集连接带孔卷积网络的初级特征提取器还通过网络信号连接解码器模块，所述编码器模块包括：
初级特征提取器，使用DenseAtrousCNet作为初级特征提取器；
特征再编码器，提取出图像的稠密特征并对特征图进行4倍下采样处理；
特征组合层，用于两条并行网络路线输出的...

【专利技术属性】
技术研发人员：田萱，王亮，孟祥光，
申请(专利权)人：北京林业大学，
类型：发明
国别省市：北京;11