一种自动驾驶图像语义分割优化方法技术

本发明专利技术公开了一种自动驾驶图像语义分割优化方法，该方法设计了一种使用标签来辅助激活的AAM模块，通过分割标签对网络提取的特征进行修正，使得同类物体提取出来的特征具有近似相同的值。将AAM模块集成到分割模型的编码器与解码器中间，通过训练得到一个性能比基准模型更好的模型，称为教师网络；通过知识迁移将教师网络基于AAM模块的所学知识迁移到分割模型中，从而提升其分割性能。本发明专利技术能够很好地挖掘分割标签的信息来提高分割模型的性能，并且无需修改网络结构，具有很强的应用价值。

【技术实现步骤摘要】
一种自动驾驶图像语义分割优化方法
本专利技术涉及自动驾驶以及图像语义分割领域，特别涉及一种自动驾驶图像语义分割优化方法。
技术介绍
智能交通的感知任务最大的挑战在于需要处理的环境高度复杂。通过相机获取到的图像是非常丰富的多维信号，但是这些图像又需要极其复杂的算法来处理。传统的基于视觉的方法主要是开发特定的技术来检测交通中的组成成分，例如行人汽车交通灯等，通过深度学习把这些分类问题统一成一个简单的问题：语义分割。语义分割是由粗略分类到精细分类这个问题的进化产物，要对每一个像素都进行一个类别预测。在深度学习中，需要设计网络来获取整张图片的语义及位置信息。可以概括为以下几种思路：Patchclassification、全卷积、Encoder-Decoder架构(编码器-解码器架构)、空洞卷积。为了帮助网络提升他们的性能，挖掘更多的先验知识是一个很好的办法。应用过程中获取到的数据集一般都包括RGB原图像和对应的分割掩膜。在端到端的语义分割网络训练过程中，标签掩膜是整个网络的学习目标，最终通过计算网络得到的掩膜和标签之间的分类损失，利用优化器将其本文档来自技高网...

【技术保护点】
1.一种自动驾驶图像语义分割优化方法，其特征在于，/n构建一教师-学生学习网络，其中教师网络是指编码器、AAM模块、解码器训练得到的分割模型，学生网络为仅包括编码器、解码器的基准模型，通过知识迁移将学习好的教师网络的知识迁移到学生网络，进而训练学生网络；/n在训练教师网络过程中将AAM模块集成到基准模型的编码器和解码器中间，得到教师网络分割模型；/n其中，AAM模块中没有可学习参数，其执行下述4个步骤：/n将编码器输出的多通道高层语义特征图按通道的维度求平均，获得每个像素位置的平均特征值，进而得到单通道平均特征图；/n将单通道平均特征图逐像素的和训练集分割标签相乘，得到单通道前辅助性特征激活图...

【技术特征摘要】
1.一种自动驾驶图像语义分割优化方法，其特征在于，
构建一教师-学生学习网络，其中教师网络是指编码器、AAM模块、解码器训练得到的分割模型，学生网络为仅包括编码器、解码器的基准模型，通过知识迁移将学习好的教师网络的知识迁移到学生网络，进而训练学生网络；
在训练教师网络过程中将AAM模块集成到基准模型的编码器和解码器中间，得到教师网络分割模型；
其中，AAM模块中没有可学习参数，其执行下述4个步骤：
将编码器输出的多通道高层语义特征图按通道的维度求平均，获得每个像素位置的平均特征值，进而得到单通道平均特征图；
将单通道平均特征图逐像素的和训练集分割标签相乘，得到单通道前辅助性特征激活图；所述训练集分割标签中属于不同的目标的像素有不同的激活等级；
将单通道前辅助性特征激活图与激活因子相乘，得到最终辅助性特征激活图；所述激活因子在训练过程中会随着训练次数的增加逐渐减小直至为零；
将最终辅助性特征激活图与多通道高层语义特征图相加，作为解码器的输入。


2.根据权利要求1所述的自动驾驶图像语义分割优化方法，其特征在于，AAM模块中激活因子的计算公式为：



其中t和max分别表示当前和最大的训练循环次数。

【专利技术属性】
技术研发人员：赖剑煌，郭彤彤，李中华，
申请(专利权)人：中山大学，
类型：发明
国别省市：广东;44