【技术实现步骤摘要】
一种基于多通道深度加权聚合的图像语义分割算法及系统
[0001]本专利技术涉及图像语义分割
，尤其涉及一种基于多通道深度加权聚合的图像语义分割算法及系统。
技术介绍
[0002]近年来，随着深度学习技术的不断发展，图像语义分割技术也随之发展到一个新的阶段，涌现出各种语义分割算法。这其中图像语义分割算法是一种重要的智能感知技术，其任务是为每个像素分配语义标签，将图像中不同物体的像素区域分隔开，并对每一块区域的类别进行标注。传统的语义分割算法有很多缺陷，如：推理速度慢、语义分割精度低、无法在智能移动机器人上实时运行等。
[0003]对于大多数语义分割算法，如何保持算法的速度与精度之间的均衡仍是一个关键问题。在传统语义分割算法中，一些方法通过限制图像大小，或者通过修剪网络的冗余通道来降低网络的计算复杂度，以此提高算法推理速度，但这些语义分割算法的分割精度较低；也有一些方法利用U形结构在高分辨率特征图上操作，提高分割精度，但这会大幅增加计算复杂度，使得算法推理速度过慢。显然，上述传统语义分割算法都不能很好的平衡精度与速
【技术保护点】
【技术特征摘要】
1.一种基于多通道深度加权聚合的图像语义分割算法，其特征在于，包括以下步骤：S1，通过低级语义通道、辅助语义通道以及高级语义通道分别提取图像中具有明确类别信息的语义特征、介于低级语义和高级语义的过渡语义特征以及图像中上下文逻辑关系的语义特征；S2，将步骤S1得到的三种不同的语义特征通过加权聚合进行融合得到图像的全局语义信息；S3，将步骤S1中各语义通道输出的语义特征与步骤S2中的全局语义信息共同计算损失函数进行训练。2.根据权利要求1所述的基于多通道深度加权聚合的图像语义分割算法，其特征在于，步骤S1中：采用浅层卷积结构网络构建低级语义通道，用于提取低级语义信息；采用深度可分离卷积结构网络构建辅助语义通道，并将辅助语义通道得到的过渡语义信息反馈至高级语义通道；采用深层卷积结构网络构建高级语义通道，用于提取高级语义信息。3.根据权利要求2所述的基于多通道深度加权聚合的图像语义分割算法，其特征在于，浅层卷积结构网络提取低级语义信息的过程包括：LS(I
H*W
)＝S3(S2(S1(I
H*W
)))其中，LS(x)为低级语义信息提取过程，I
H*W
为输入图像矩阵，S为卷积步长。4.根据权利要求2所述的基于多通道深度加权聚合的图像语义分割算法，其特征在于，可分离卷积结构网络包括三个串联的辅助模块及位于尾部的注意力机制模块，各模块将提取到的不同层次辅助语义信息传递到高级语义通道；辅助语义通道提取过渡语义信息的过程包括：AS(K
m*n
)＝Atten(Aux(Aux(Aux(K
m*n
))))其中，AS(x)为过渡语义信息提取过程，Km*n为输入辅助语义通道的特征矩阵，Aux(x)为辅助模块，Atten(x)为注意力机制模块；辅助语义通道各阶段输出的辅助语义信息包括：Aux1(K
m*n
)＝Aux(K
m*n
)Aux2(K
m*n
)＝Aux(Aux1(K
m*n
))Aux3(K
m*n
)＝Aux(Aux2(K
m*n
))Aux1'(K
m*n
)＝Up(AS(K
m*n
),4)其中，Up(x,k)为注意力机制模块向高级语义通道的上采样，x为输入，k为上采样倍数，选取数值为4。5.根据权利要求4所述的基于多通道深度加权聚合的图像语义分割算法，其特征在于，高级语义通道包括启动模块、特征聚合模块以及语义嵌套模块，其提取高级语义信息的过程包括：通过启动模块和特征聚合模块与辅助语义通道提供的辅助语义信息融合，提取图像深层语义信息，然后利用语义嵌套模块将辅助语义通道与高级语义通道的深层语义信息整合，得到高级语义信息。6.根据权利要求5所述的基于多通道深度加权聚合的图像语义分割算法，其特征在于，
所述启动模块包括卷积和最大池化两种不同的下采样方式，两种输出结果连接后卷积输出；所述特征聚合模块包括两个特征聚合子模块，利用深度卷积加深特征层数，所述特征聚合模块的聚合过程包括：FGB(K
′
m*n
,s1,s
′1)＝FG(FG(K
′
m*n
,s1),s
′1)其中，FGB(x)为特征聚合模块推理过程，FG(x,s1)表示特征聚合子模块的推理过程，K
′
m*n
为输入特征矩阵，步长s1＝2，s
′1＝1；辅助语...
【专利技术属性】
技术研发人员：齐咏生，陈培亮，刘利强，李永亭，苏建强，
申请(专利权)人：内蒙古工业大学，
类型：发明
国别省市：
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。