【技术实现步骤摘要】
一种基于方向性卷积网络的语义分割方法
本专利技术属于计算机视觉与图像处理领域，尤其是涉及一种基于方向性卷积网络的语义分割方法。
技术介绍
随着深度学习理论的发现和深入研究，计算视觉下属的多个领域和任务都有了飞速突破和显著提升。其中，语义分割因其对视觉系统精细度的高要求，成为了最为棘手的计算视觉任务之一和目前热门的研究方向。语义分割任务要求，计算视觉系统对任意大小图片上，每个像素所属物体的类别进行预测。目前主流的语义分割解决方案均采用了全卷积网络架构，该架构始于加州大学伯克利分校JonathanLong等人于2014年ConferenceonComputerVisionandPatternRecognition提出的《FullyConvolutionalNetworksforSemanticSegmentation》工作。该工作基于计算识别领域的经验，只使用卷积神经网络(全卷积)进行图像处理，并结合双线性插值法，做到输出的预测与输入的图片像素一一对应。通过端到端的训练方法，在有监督学习的框架下训练神经网络，得到远优于传统学习的...
【技术保护点】
1.一种基于方向性卷积网络的语义分割方法，其特征在于，包括：/n(1)构建一个方向性卷积的全卷积网络；/n(2)将构建的方向性全卷积网络的顶层加入池化层和全连接层网络，构成第一深度模型，并在大型数据集上进行预训练；/n(3)提取预训练好的第一深度模型中的全卷积部分，使用全卷积层初始化方向性全卷积网络的参数，并在其后加入新的全连接层，构成第二深度模型；/n(4)使用图片语义分割的数据集训练第二深度模型，直到模型收敛；/n(5)利用训练后的第二深度模型对待测图片进行分析，预测图像中每个像素所属的类别，形成图像语义分割图输出。/n
【技术特征摘要】
1.一种基于方向性卷积网络的语义分割方法，其特征在于，包括：
(1)构建一个方向性卷积的全卷积网络；
(2)将构建的方向性全卷积网络的顶层加入池化层和全连接层网络，构成第一深度模型，并在大型数据集上进行预训练；
(3)提取预训练好的第一深度模型中的全卷积部分，使用全卷积层初始化方向性全卷积网络的参数，并在其后加入新的全连接层，构成第二深度模型；
(4)使用图片语义分割的数据集训练第二深度模型，直到模型收敛；
(5)利用训练后的第二深度模型对待测图片进行分析，预测图像中每个像素所属的类别，形成图像语义分割图输出。
2.根据权利要求1所述的基于方向性卷积网络的语义分割方法，其特征在于，步骤(1)中，方向性卷积的定义如下：
其中，yco是输出的第co个特征，ci代表输入特征的索引，总计Ci个特征值；S为卷积计算过程中采样的像素的位置集合；ws,ci、xs,ci和bco分别代表线性运算过程中所需的权重、输入以及偏移量；偏移集合S的选取从如下动态集合中选取：
Mk＝{(s1,s2)|(s1-e1)2+(s2-e2)2≤22；
s1,s2∈[-2,2]；s1,s2∈Z}∪{(0,0)}
其中，k的取值范围为0到15的整数，代表着16个不同的方向；S的具体取值规则为：
S＝M(ci％16)
其中，ci代表输入通道的索引，除以16取余代表将其分类至16个不同的组别。
3.根据权利要求1所述的基于方向性卷积网络的语义分割方法，其特征在...
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。