一种基于编解码结构的语义分割不确定性分析方法技术

一种基于编解码结构的语义分割不确定性分析方法，包括以下步骤：S01、构建编解码结构的语义分割模型，采用像素级标签训练语义分割模型；S02、增加不确定性输出分支，在语义分割的编码器输出端构建MC dropout分类器头；S03、训练MC dropout分类器头，将编码器视为特征提取器，冻结编码器的所有权值，利用图像分类标签训练分类器头；S04预测时使用训练后的整个模型对待分割图像进行分割，使用MC dropout方法计算分类器头的输出向量，使用不确定性评价函数计算当前语义分割的不确定性程度。本发明专利技术保持原有的语义分割模型性能不变，通过增加轻量的神经网络层，实现不确定分析能力，实现简单，计算量少。计算量少。计算量少。

【技术实现步骤摘要】
一种基于编解码结构的语义分割不确定性分析方法


[0001]本专利技术属于深度学习图像处理
，尤其涉及一种通过修改语义分割模型实现不确定性量化方法。

技术介绍

[0002]语义分割是将图像分割成多个语义类别不同的区域(如天空、汽车、行人等)，是属于像素级别上的分类，给图像中的每个像素赋予一个特定的语义类别标签。应用于医疗图像诊断、自动驾驶、遥感影像分割等多种场景。
[0003]近年来，深度学习语义分割技术发展迅猛，大量新的网络结构被研究人员提出，然而在测试样本与训练样本分布偏差较大、数据存在噪声等情况下，深度学习语义分割模型的识别能力较差，由此产生的像素级分类错误会限制相关技术和产品的推广应用。如果自动驾驶中误把人行道识别成行车道，医学磁共振(MRI)图像下的脑肿瘤区域错误识别等，更会导致严重事故。使用者希望知晓机器的图像分割结果是否可信，因此语义分割中不确定性分析技术得到了广泛关注。
[0004]将深度神经网络模型定义为有限的随机变量集w，并假设模型仅依赖于这些变量，Gal等人从理论和实验证明了深度学习模型的随机正则化技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于编解码结构的语义分割不确定性分析方法，其特征在于，所述方法包括以下步骤：S01、构建编解码结构的语义分割模型，采用像素级标签训练语义分割模型；S02、增加不确定性输出分支，在语义分割模型的编码器输出端构建MC dropout分类器头；S03、训练MC dropout分类器头，把编码器看作是特征提取器，冻结编码器的所有权值，利用图像分类标签训练分类器头；S04、预测时，使用训练后的整个模型对待分割图像进行分割，使用MC dropout方法计算得到分类器头的输出向量，最后使用不确定性评价函数来计算当前语义分割的不确定性程度。2.如权利要求1所述的一种基于编解码结构的语义分割不确定性分析方法，其特征在于，所述步骤S02中，在语义分割模型编码器输出端构建MC dropout分类器头，编码器输出端连接MC dropout分类器头的输入，MC dropout分类器头输出为不确定性。3.如权利要求2所述的一种基于编解码结构的语义分割不确定性分析方法，其特征在于，所述MC dropout分类器头还包含结构组成为：一个池化核为2
×
2、步长为2的最大池化层，使得编码器最后输出的特征图的大小减小一半；后面连接着一个卷积核为3
×
3、步长为2的卷积层，输出...

【专利技术属性】
技术研发人员：陈涵深，林慧平，
申请(专利权)人：浙江交通职业技术学院，
类型：发明
国别省市：