基于深度卷积神经网络的提升式多标签语义分割方法技术

本发明专利技术提供了一种基于深度卷积神经网络的提升式多标签语义分割方法，包括以下步骤：利用多标签损失函数指导深度卷积神经网络在训练数据集上的训练；利用训练后的深度卷积神经网络，对训练数据集中的样本进行分割结果预测；基于预测结果更新训练数据集的样本权重，并结合人工标注更新训练数据集；重复上述过程，直至深度卷积神经网络符合目标性能。本发明专利技术的基于深度卷积神经网络的提升式多标签语义分割方法通过多次迭代计算能够系统性地提高人工标注数据的质量，从而最终达到提高分割任务性能的目的。

【技术实现步骤摘要】
基于深度卷积神经网络的提升式多标签语义分割方法
本专利技术属于深度学习领域，具体涉及一种基于深度卷积神经网络的提升式多标签语义分割方法。
技术介绍
基于深度学习的人工智能方法(主要通过深度卷积神经网络)近年来在图像分类、目标检测和语义分割等应用中取得了巨大成功。这些基于深度卷积神经网络的方法在应用中通常需要大量的人工标注数据作为指导。因此，人工标注数据的数量和正确性显得极为重要，因为这些标注将同时用于指导这些方法的迭代计算和性能评估。然而，人工标注数据的金标准通常很难获得，尤其对于语义分割任务，待分割目标的轮廓标注需要投入海量的时间和精力。即便获得这些人工标注数据，通过进一步的交叉检查也会很容易发现，人工标注的误差或者错误几乎是不可避免的。这些有缺陷的人工标注数据将严重影响基于深度卷积神经网络的方法在实际应用中的准确性和鲁棒性。因此，在深度卷积神经网络的训练过程中，我们通常面对的是少量的金标准数据和大量有缺陷的标注数据。另外，同一图像中通常存在多个类型的目标。常见的基于深度卷积神经网络的单标签语义分割模型既无法对多个类型的目标同时进行识别，也存在多个目标之间相互干扰影响分割性能的可能。因此，为了更好且更快的从图像中识别多种类型目标，且考虑到人工标注数据无论是数量还在质量都存在无法满足要求的情况，需要一种新的方法来解决多目标语义分割的难题。
技术实现思路
本专利技术的目的在于，提供一种基于深度卷积神经网络的提升式多标签语义分割方法，解决多目标语义分割的难题。本专利技术所采用的技术方案如下：一种基于深度卷积神经网络的提升式多标签语义分割方法，包括以下步骤：利用多标签损失函数指导深度卷积神经网络在训练数据集上的训练；利用训练后的深度卷积神经网络，对训练数据集中的样本进行分割结果预测；基于预测结果更新训练数据集的样本权重，并结合人工标注更新训练数据集；重复上述过程，直至深度卷积神经网络符合目标性能。优选地，多标签损失函数是基于Dice-logarithmic函数的多标签损失函数。优选地，多标签损失函数为：Losstotal＝-log[DC(Anno1，Pred1)]-log[DC(Anno2，Pred2)]-log[1-DC(Anno1，Pred2)]-log[1-DC(Anno2，Pred1)]式中，Anno表示人工标注，Pred表示预测结果，下标表示分割目标的类别，DC表示Dice′sCoefficient。优选地，DC定义如下：优选地，利用金标准数据集评估深度卷积神经网络的性能。优选地，每次训练后，均进行深度卷积神经网络的性能评估。优选地，训练数据集的更新包括以下步骤：在进行分割结果预测时，获得像素级的概率值矩阵；将该矩阵与人工标注进行交集计算，确定背景信息；对比预设阈值获得人工标注中缺失或者不完善的目标轮廓信息；将该轮廓信息补充到人工标注中，获得新的训练数据集。优选地，利用自适应算法更新训练数据集的样本权重。本专利技术的有益效果为：本专利技术的基于深度卷积神经网络的提升式多标签语义分割方法，通过多次迭代计算能够系统性地提高人工标注数据的质量，从而最终达到提高分割任务性能的目的。进一步地，基于Dice-logarithmic函数的多标签损失函数来指导深度卷积神经网络在训练数据集上的学习，能够尽可能减少多目标分割之间的干扰并加快网络训练过程。附图说明图1是本专利技术的基于深度卷积神经网络的提升式多标签语义分割方法示意图。具体实施方式下面将结合附图对本专利技术作进一步的说明：本专利技术提出了基于深度卷积神经网络的提升式多标签语义分割方法，涉及机器视觉，卷积神经网络，深度学习和人工智能技术。该方法通过基于Dice-logarithmic函数的多标签损失函数来指导深度卷积神经网络在训练数据集上的学习，尽可能减少多目标分割之间的干扰并加快网络训练过程。然后借助训练完成且性能良好的深度卷积神经网络对训练样本进行预测和权重赋值，并融合人工标注数据获得更新后的标注数据集。最后基于新的标注数据集重新开始对深度卷积神经网络的训练，并重复上述训练样本预测-训练样本权重更新-融合人工标注-更新标注数据集的过程，直到深度神经网络在单独的金标准数据集上获得目标性能为止。本专利技术实施例的基于深度卷积神经网络的提升式多标签语义分割方法，包括以下步骤：S1、利用多标签损失函数指导深度卷积神经网络在训练数据集上的训练；S2、利用训练后的深度卷积神经网络，对训练数据集中的样本进行分割结果预测；S3、基于预测结果更新训练数据集的样本权重，并结合人工标注更新训练数据集；S4、重复上述过程，直至深度卷积神经网络符合目标性能。在本实施例中，基于深度卷积神经网络的提升式多标签语义分割方法，如图1所示，由四个模块组成：(1)一个用于多标签语义分割的深度卷积神经网络；(2)一个基于Dice-logarithmic函数的多标签损失函数；(3)一个用于结合人工标注和深度卷积神经网络预测结果的数据融合模块；(4)一个用于在网络训练迭代过程中对训练样本权值进行更新的自适应提升算法。其中，深度卷积神经网络用于基于训练数据集完成多目标分割任务的学习，并在训练数据集上进行分割结果的预测。另外，深度卷积神经网络也将在单独的金标准数据集上评估网络的性能和每次迭代后提升的效果。基于Dice-logarithmic函数的多标签损失函数用于指导上述深度卷积神经网络的训练，确保多目标分割直接的干扰降到最低并加快训练过程中网络收敛的速度。该损失函数的定义如下：Losstotal＝-log[DC(Anno1，Pred1)]-log[DC(Anno2，Pred2)]-log[1-DC(Anno1，Pred2)]-log[1-DC(Anno2，Pred1)]其中，Anno代表人工标注结果，Pred代表网络预测结果，下标1和2分别代表两类不同的分割目标。下标的数目由分割目标的总类别数决定。DC是Dice′sCoefficient，其定义如下：数据融合模块用于结合网络预测结果和人工标注，以期对人工标注中的少量误差或错误进行纠正。该模块采用的融合算法由以下步骤组成：(1)获得在训练集上性能良好的深度卷积神经网络；(2)基于上述网络对训练集数据进行多目标分割并获得像素级的概率值矩阵；(3)该矩阵与人工标注进行交集计算确定背景信息(4)对比预设阈值获得人工标注中缺失或者不完善的目标轮廓信息(5)上述轮廓信息将补充到人工标注获得新的训练数据集。所自适应提升算法基于训练后的深度卷积神经网络在训练样本上的分割表现相应的赋予样本权重，并在后续网络训练过程中将该样本权重带入网络训练过程(即更新该样本的损失函数权重)以允许网络对分割表现不好的样本给予更多的关注。在初始化本文档来自技高网...

【技术保护点】
1.一种基于深度卷积神经网络的提升式多标签语义分割方法，其特征在于，包括以下步骤：/n利用多标签损失函数指导深度卷积神经网络在训练数据集上的训练；/n利用训练后的深度卷积神经网络，对训练数据集中的样本进行分割结果预测；/n基于预测结果更新训练数据集的样本权重，并结合人工标注更新训练数据集；/n重复上述过程，直至深度卷积神经网络符合目标性能。/n

【技术特征摘要】
1.一种基于深度卷积神经网络的提升式多标签语义分割方法，其特征在于，包括以下步骤：
利用多标签损失函数指导深度卷积神经网络在训练数据集上的训练；
利用训练后的深度卷积神经网络，对训练数据集中的样本进行分割结果预测；
基于预测结果更新训练数据集的样本权重，并结合人工标注更新训练数据集；
重复上述过程，直至深度卷积神经网络符合目标性能。


2.根据权利要求1所述的基于深度卷积神经网络的提升式多标签语义分割方法，其特征在于，多标签损失函数是基于Dice-logarithmic函数的多标签损失函数。


3.根据权利要求1或2所述的基于深度卷积神经网络的提升式多标签语义分割方法，其特征在于，多标签损失函数为：
Losstotal＝-log[DC(Anno1，Pred1)]-log[DC(Anno2，Pred2)]-log[1-DC(Anno1，Pred2)]-log[1-DC(Anno2，Pred1)]



式中，Anno表示人工标注，Pred表示预测结果，下标表示分割目标的类别，DC表示Dice'...

【专利技术属性】
技术研发人员：吴兴隆，
申请(专利权)人：武汉工程大学，
类型：发明
国别省市：湖北;42