按网格单元利用加权卷积滤波器的图像分割方法及装置制造方法及图纸

本发明专利技术涉及一种为了满足自动行驶汽车的级别4而根据区域的类转换模式并按网格单元分别利用多个加权卷积滤波器中的每一个来分割图像的方法。本发明专利技术提供一种能够具有应用到具有各个距离的各个区域的各个最佳参数而能够用作监视用CCTV的方法，其特征在于，包括以下步骤：学习装置：(a)(i)使编码层生成编码特征图，并且(ii)使解码层生成解码后特征图；(b)在将特定解码后特征图划分为网格单元的情况下，使加权卷积层将加权卷积滤波器设定为与各个网格单元对应，对特定解码后特征图应用加权卷积运算；以及(c)反向传播损失。

【技术实现步骤摘要】
按网格单元利用加权卷积滤波器的图像分割方法及装置
本专利技术涉及一种为了满足自动行驶汽车的级别4而根据区域的类来转换模式并按网格单元(GridCell)分别利用多个加权卷积滤波器中的每一个来分割图像的方法，更详细而言，涉及一种如下的方法及装置、以及利用该方法及装置的测试方法及测试装置，该方法为按所述网格单元利用多个所述加权卷积滤波器中的每一个来分割所述图像的方法，包括以下步骤：(a)在获取至少一个输入图像的情况下，学习装置：(i)使卷积神经网络(CNN)模块的编码层对所述输入图像应用至少一次卷积运算而生成至少一个编码特征图，并且(ii)使所述CNN模块的解码层对由所述编码层输出的特定编码特征图应用至少一次反卷积运算而生成至少一个解码后特征图；(b)在由所述解码层输出的特定解码后特征图根据至少一个已设定的基准被划分为多个所述网格单元的情况下，所述学习装置使所述CNN模块的加权卷积层将各个所述加权卷积滤波器设定为与各个所述网格单元对应，并且对所述特定解码后特征图应用至少一次加权卷积运算而输出分割结果；以及(c)所述学习装置反向传播以所述分割结果和与所述分割结果对应的G本文档来自技高网...

【技术保护点】
1.一种按网格单元分别利用多个加权卷积滤波器中的每一个来分割图像的方法，其特征在于，包括以下步骤：/n(a)在获取至少一个输入图像的情况下，学习装置：(i)使卷积神经网络模块的编码层对所述输入图像应用至少一次卷积运算而生成至少一个编码特征图，并且(ii)使所述卷积神经网络模块的解码层对由所述编码层输出的特定编码特征图应用至少一次反卷积运算而生成至少一个解码后特征图；/n(b)在由所述解码层输出的特定解码后特征图根据至少一个已设定的基准被划分为多个所述网格单元的情况下，所述学习装置使所述卷积神经网络模块的加权卷积层将各个所述加权卷积滤波器设定为与各个所述网格单元对应，并且对所述特定解码后特征图应...

【技术特征摘要】
20190122 US 16/254,4481.一种按网格单元分别利用多个加权卷积滤波器中的每一个来分割图像的方法，其特征在于，包括以下步骤：
(a)在获取至少一个输入图像的情况下，学习装置：(i)使卷积神经网络模块的编码层对所述输入图像应用至少一次卷积运算而生成至少一个编码特征图，并且(ii)使所述卷积神经网络模块的解码层对由所述编码层输出的特定编码特征图应用至少一次反卷积运算而生成至少一个解码后特征图；
(b)在由所述解码层输出的特定解码后特征图根据至少一个已设定的基准被划分为多个所述网格单元的情况下，所述学习装置使所述卷积神经网络模块的加权卷积层将各个所述加权卷积滤波器设定为与各个所述网格单元对应，并且对所述特定解码后特征图应用至少一次加权卷积运算而输出分割结果；以及
(c)所述学习装置反向传播以所述分割结果和与所述分割结果对应的GT为参照获取到的分割损失，从而按所述网格单元学习各个所述加权卷积滤波器。


2.根据权利要求1所述的方法，其特征在于，
所述(b)步骤包括：所述学习装置以所述特定解码后特征图上的至少一个特征值为参照将根据至少一个特定基准分别分组的至少一个区域中的最宽的区域设定为参照区域，
按所述网格单元的各个所述加权卷积滤波器用以下数学式表示：
W_C_Filteri＝αi*B+βi，
其中，W_C_Filteri分别表示按所述网格单元的各个所述加权卷积滤波器的值，B表示与所述参照区域对应的参照滤波器值，αi及βi分别表示与按所述网格单元的各个所述加权卷积滤波器对应的各个线性变换参数，
在所述(c)步骤中，所述学习装置通过学习所述αi、βi及B来按所述网格单元学习各个所述加权卷积滤波器。


3.根据权利要求2所述的方法，其特征在于，
在所述(b)步骤中，以所述特定解码后特征图上的所述特征值为参照，将根据所述特征值的范围分别分组的至少一个区域中的所述最宽的区域设定为所述参照区域。


4.根据权利要求1所述的方法，其特征在于，
所述输入图像包含多个训练图像，
在所述多个训练图像中的每一个具有与第1分割区域至第k分割区域对应的第1位置信息至第k位置信息的状态下，所述输入图像被选择为包含特定训练图像，在所述特定训练图像中，所述第1位置信息的相对偏差至所述第k位置信息的相对偏差中的至少一部分相对偏差分别为至少一个已设定的临界值以下。


5.根据权利要求1所述的方法，其特征在于，
在所述(b)步骤中，各个所述网格单元具有相同的形状和大小。


6.根据权利要求1所述的方法，其特征在于，
所述输入图像为表示道路行驶状况的图像，所述学习装置用于检测在道路行驶时的自由空间。


7.一种按网格单元分别利用多个加权卷积滤波器中的每一个来分割图像的测试方法，其特征在于，包括以下步骤：
(a)在以下(1)、(2)和(3)的状态下：(1)(i)学习装置使卷积神经网络模块的编码层对至少一个训练图像应用至少一次卷积运算而生成至少一个学习用编码特征图，(ii)所述学习装置使所述卷积神经网络模块的解码层对由所述编码层输出的特定学习用编码特征图应用至少一次反卷积运算而生成至少一个学习用解码后特征图；(2)在由所述解码层输出的特定学习用解码后特征图根据至少一个已设定的基准被划分为多个所述网格单元的情况下，所述学习装置使所述卷积神经网络模块的加权卷积层将各个所述加权卷积滤波器设定为与各个所述网格单元对应，并且对由所述解码层输出的所述特定学习用解码后特征图应用至少一次所述加权卷积层的加权卷积运算而输出学习用分割结果；(3)所述学习装置通过利用以所述分割结果和与所述分割结果对应的GT为参照获取到的分割损失执行反向传播而按所述网格单元学习各个所述加权卷积滤波器，测试装置在获取到至少一个测试图像的情况下：(i)使所述卷积神经网络模块的所述编码层对所述测试图像应用至少一次卷积运算而生成至少一个测试用编码特征图，并且(ii)使所述卷积神经网络模块的所述解码层对由所述编码层输出的特定测试用编码特征图应用至少一次反卷积运算而生成至少一个测试用解码后特征图；以及
(b)在由所述解码层输出的特定测试用解码后特征图根据至少一个所述已设定的基准被划分为多个所述网格单元的情况下，所述测试装置使所述卷积神经网络模块的所述加权卷积层将各个所述加权卷积滤波器设定为与各个所述网格单元对应，并且对由所述解码层输出的所述特定测试用解码后特征图应用至少一次加权卷积运算而输出测试用分割结果。


8.根据权利要求7所述的方法，其特征位于，
所述测试图像为表示道路行驶状况的图像，所述测试装置用于检测在道路行驶时的自由空间。

【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