一种基于卷积神经网络的图像分割方法技术

一种基于卷积神经网络的图像语义分割方法，涉及图像领域。该方法以DeepLabv3+为主要模型，针对图像的特点，在编码器部分，将原始主干网络ResNet101替换为ResNet152，调整扩张卷积空间金字塔池化模块的扩张率。在解码器部分，加入特征金字塔等多尺度融合模块，以及注意力机制等模块。最后在制作数据集上进行实验证明方法的有效性。实验结果表明，该方法在测试集上平均交并比达到53.8％，比原始模型精度提高6％，取得了较好的分割结果。

【技术实现步骤摘要】
一种基于卷积神经网络的图像分割方法
本专利技术属于计算机视觉
，尤其涉及到一些卷积神经网络、图像语义分割方法等。
技术介绍
图像的语义分割一直是计算机视觉领域的研究重点,而深度学习是近阶段人工智能方向飞速发展的热点,因此基于深度学习的语义分割的应用随之成为全世界研究人员的热点关注问题。自动驾驶的发展、医疗图像诊断技术的进步、地质图像勘测技术的进步与语义分割的发展密不可分，尤其是基于深度学习的语义分割技术。虽然像聚类这样的无监督方法可以用于分割，但其结果不一定是有语义的。这些方法无法对它们训练的类进行细分，但是在搜索区域界限方面更加擅长。与图像分类或目标检测相比，语义分割使我们对图像有更加细致的了解。传统经典分类算法在面对分类问题和海量数据时，浅层特征学习方法的泛化能力和复杂函数的表示能力受到制约。深度学习通过信息分层处理机制，构建含有多个隐藏层的深度模型，从海量的数据中逐级从低到高的自动抽取层次特征表达，从而建立其底层到高层的映射关系。随着卷积神经网络的发展，对图像语义分割任务产生了革命性的影响，为提高分辨率图像分割与分类提供了新本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的图像分割方法，其特征在于，包括以下步骤：/n步骤1、获取图像数据集，并对这些数据进行清洗；/n步骤2、利用图像增强技术，对原始数据进行增强处理，并增加样本的数量，及丰富数据内容；/n步骤3、模型搭建，在编码器部分，将原始主干网络ResNet101替换为ResNet152，调整扩张卷积空间金字塔池化模块的扩张率；在解码器部分，加入特征金字塔多尺度融合模块，以及注意力机制模块；/n步骤4、实验训练阶段，选出最优结果；/n步骤3具体包括以下步骤：/n步骤3.1、在编码器部分，将主干网络ResNet101替换为更深层的ResNet152网络，ResNet152在ResNet1...

【技术特征摘要】
1.一种基于卷积神经网络的图像分割方法，其特征在于，包括以下步骤：
步骤1、获取图像数据集，并对这些数据进行清洗；
步骤2、利用图像增强技术，对原始数据进行增强处理，并增加样本的数量，及丰富数据内容；
步骤3、模型搭建，在编码器部分，将原始主干网络ResNet101替换为ResNet152，调整扩张卷积空间金字塔池化模块的扩张率；在解码器部分，加入特征金字塔多尺度融合模块，以及注意力机制模块；
步骤4、实验训练阶段，选出最优结果；
步骤3具体包括以下步骤：
步骤3.1、在编码器部分，将主干网络ResNet101替换为更深层的ResNet152网络，ResNet152在ResNet101的基础上加厚了第三层和第四层的卷积块，在训练网络前加载ResNet152预...

【专利技术属性】
技术研发人员：刘博，张雷，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京;11