【技术实现步骤摘要】
本专利技术属于图像处理，尤其涉及一种融入先验信息的道路堆积物分类方法及系统。
技术介绍
1、在常见的智慧交通道路场景中，检测相机放置在车前，在车辆行驶过程中检测路边堆积物，如积雪、落叶堆积等。
2、在进行分类时，模型更需要关注路面，路边树木区域，减少天空及车辆信息的关注。然而传统的分类模型在进行整体分类时，容易受到图片中的噪音信息及冗余无关信息较大的影响，导致分类精度较低。
技术实现思路
1、鉴于以上现有技术的不足，专利技术的目的在于提供一种融入先验信息的道路堆积物分类方法及系统，可以在训练阶段融入车辆堆积物场景先验信息，结合分割模型sam，对所述道路图像进行先验分割，输出基于先验信息的分割掩码图，无需人力成本进行标注，同时根据先验分割结果构建类激活映射损失，并联合交叉熵损失，使基于卷积神经网络cnn的道路堆积物分类模型在训练时更关注先验区域信息进行权值更新和预测，降低图片中的噪音信息及冗余无关信息的影响，有效提升模型的分类精度。
2、本专利技术的第一方面，提出了一种融入先验信息的道路堆积物分类方法，包括：
3、s1，获取训练集，所述训练集包括多张道路图像；
4、s2，将各张所述道路图像输入至分割模型sam中，对所述道路图像进行先验分割，输出基于先验信息的分割掩码图；
5、s3，将各张所述道路图像输入至基于卷积神经网络cnn的道路堆积物分类模型中，对所述道路图像进行特征提取，输出特征图；
6、s4，结合分类权重
7、s5，根据类激活映射损失以及交叉熵损失，构建分类损失函数；
8、s6，以所述分类损失函数最小为目标，对所述道路堆积物分类模型进行训练；
9、s7，当所述道路堆积物分类模型达到预设条件时，完成对于所述道路堆积物分类模型的训练；
10、s8，将目标图像，输入至完成训练的道路堆积物分类模型，输出分类结果。
11、进一步地，所述s4具体为：
12、通过以下公式，结合分类权重，对所述特征图进行全局池化，得到类激活映射图：
13、cam＝w·feature
14、其中，cam表示类激活映射图，feature表示特征图，w表示分类权重值。
15、进一步地，所述s5具体为：
16、通过以下公式，构建分类损失函数：
17、l＝λ·lcam+(1-λ)·lcls
18、其中，l表示分类损失函数，lcam表示类激活映射损失，lcls表示交叉熵损失，λ表示类激活映射损失的权重。
19、进一步地，所述类激活映射损失的计算方式为：
20、
21、其中，lcam表示类激活映射损失，cami表示第i个像素点的类激活映射结果，mo表示分割掩码图中被标记为其他区域的区域，i∈mo表示其他区域中的像素点。
22、进一步地，所述交叉熵损失的计算方式为：
23、
24、其中，lcls表示交叉熵损失，ycls表示实际类别标签，pcls表示类别标签对应的分类概率，log()表示对数函数，cls表示分类类别，k表示分类总类别。
25、本专利技术的第二方面，提出了一种实现融入先验信息的道路堆积物分类系统，用于实现第一方面所述的融入先验信息的道路堆积物分类方法，包括：
26、获取模块，用于获取训练集，所述训练集包括多张道路图像；
27、分割模块，用于将各张所述道路图像输入至分割模型sam中，对所述道路图像进行先验分割，输出基于先验信息的分割掩码图；
28、提取模块，用于将各张所述道路图像输入至基于卷积神经网络cnn的道路堆积物分类模型中，对所述道路图像进行特征提取，输出特征图；
29、池化模块，用于结合分类权重，对所述特征图进行全局池化，得到类激活映射图；
30、构建模块，用于根据类激活映射损失以及交叉熵损失，构建分类损失函数；
31、训练模块，用于以所述分类损失函数最小为目标，对所述道路堆积物分类模型进行训练；
32、完成模块，用于当所述道路堆积物分类模型达到预设条件时，完成对于所述道路堆积物分类模型的训练；
33、分类模块，用于将目标图像，输入至完成训练的道路堆积物分类模型，输出分类结果。
34、进一步地，所述池化模块具体用于：
35、通过以下公式，结合分类权重，对所述特征图进行全局池化，得到类激活映射图：
36、cam＝w·feature
37、其中，cam表示类激活映射图，feature表示特征图，w表示分类权重值。
38、进一步地，所述构建模块具体用于：
39、通过以下公式，构建分类损失函数：
40、l＝λ·lcam+(1-λ)·lcls
41、其中，l表示分类损失函数，lcam表示类激活映射损失，lcls表示交叉熵损失，λ表示类激活映射损失的权重。
42、进一步地，所述类激活映射损失的计算方式为：
43、
44、其中，lcam表示类激活映射损失，cami表示第i个像素点的类激活映射结果，mo表示分割掩码图中被标记为其他区域的区域，i∈mo表示其他区域中的像素点。
45、进一步地，所述交叉熵损失的计算方式为：
46、
47、其中，lcls表示交叉熵损失，ycls表示实际类别标签，pcls表示类别标签对应的分类概率，log()表示对数函数，cls表示分类类别，k表示分类总类别。
48、本专利技术有益效果如下：
49、本专利技术提供的方法和系统，可以在训练阶段融入车辆堆积物场景先验信息，结合分割模型sam，对所述道路图像进行先验分割，输出基于先验信息的分割掩码图，无需人力成本进行标注，同时根据先验分割结果构建类激活映射损失，并联合交叉熵损失，使基于卷积神经网络cnn的道路堆积物分类模型在训练时更关注先验区域信息进行权值更新和预测，降低图片中的噪音信息及冗余无关信息的影响，有效提升模型的分类精度。
本文档来自技高网...【技术保护点】
1.一种融入先验信息的道路堆积物分类方法，其特征在于，包括：
2.根据权利要求1所述的融入先验信息的道路堆积物分类方法，其特征在于，所述S4具体为：
3.根据权利要求1所述的融入先验信息的道路堆积物分类方法，其特征在于，所述S5具体为：
4.根据权利要求3所述的融入先验信息的道路堆积物分类方法，其特征在于，所述类激活映射损失的计算方式为：
5.根据权利要求3所述的融入先验信息的道路堆积物分类方法，其特征在于，所述交叉熵损失的计算方式为：
6.一种融入先验信息的道路堆积物分类系统，其特征在于，用于实现权利要求1至5所述的融入先验信息的道路堆积物分类方法，包括：
7.根据权利要求6所述的融入先验信息的道路堆积物分类系统，其特征在于，所述池化模块具体用于：
8.根据权利要求6所述的融入先验信息的道路堆积物分类系统，其特征在于，所述构建模块具体用于：
9.根据权利要求8所述的融入先验信息的道路堆积物分类系统，其特征在于，所述类激活映射损失的计算方式为：
10.根据权利要求8所述的融
...【技术特征摘要】
1.一种融入先验信息的道路堆积物分类方法，其特征在于，包括：
2.根据权利要求1所述的融入先验信息的道路堆积物分类方法，其特征在于，所述s4具体为：
3.根据权利要求1所述的融入先验信息的道路堆积物分类方法，其特征在于，所述s5具体为：
4.根据权利要求3所述的融入先验信息的道路堆积物分类方法，其特征在于，所述类激活映射损失的计算方式为：
5.根据权利要求3所述的融入先验信息的道路堆积物分类方法，其特征在于，所述交叉熵损失的计算方式为：
6.一种融入先验信息的道路堆积物...
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。