[发明专利]一种基于全卷积台标分割网络的台标分割方法

权利要求书

1.一种基于全卷积台标分割网络的台标分割方法，其特征在于，包括如下步骤：

1)构建一个多类型的细粒度台标数据集，共有8400张图像的台标图像集，覆盖42种类别；

2)根据逐像素标注的台标区域提取方法，建立与台标图像集对应的二值标签图像集，并转化为L类型的单通道灰度图像集；

3)建立端到端的编码器-解码器结构的全卷积台标分割网络，在台标数据集上对全卷积台标分割网络进行训练，将台标图像集中任意尺寸的测试图像输入到训练好的全卷积台标分割网络中，产生与输入图像相同尺寸的像素级分割结果。

2.根据权利要求1所述的一种基于全卷积台标分割网络的台标分割方法，其特征在于，步骤2)所述的逐像素标注的台标区域提取方法，是对8400张图像的台标图像集中的每张图像逐一标注所有像素点，将显著性台标区域中的每个像素值标注为显著性台标区域所属的类别数，将背景区域中的每个像素值标注为0，生成与台标图像集对应的有效标注的二值标签图像集，对整个标签图像集进行灰度化处理，得到L类型的单通道灰度图像集。

3.根据权利要求1所述的一种基于全卷积台标分割网络的台标分割方法，其特征在于，步骤3)所述的建立端到端的编码器-解码器结构的全卷积台标分割网络，首先建立编码器结构，具体是删除现有的分类网络VGGNet中的全连接层，将剩余的部分构成编码器结构；然后建立解码器结构，所述解码器结构与编码器结构相同，且在全卷积台标分割网络中与编码器结构对称设置，最后在解码器结构的上采样过程中引入编码器结构中的最大池化索引，用于保证在特征提取过程中保留边界信息。

4.根据权利要求1所述的一种基于全卷积台标分割网络的台标分割方法，其特征在于，步骤3)所述的在台标数据集上对全卷积台标分割网络进行训练，采用在ImageNet大规模数据集上预训练好的分类网络VGGNet，初始化编码器结构的权重，将二值标签图像集作为网络训练中的监督信息，同时将台标图像集和对应的标签图像集输入到全卷积台标分割网络中，提取台标图像集的深度卷积特征，通过微调的训练方式，将分类网络VGGNet在分类任务中获得的模型权重转换为全卷积台标分割网络在分割任务中所需的模型权重，最终实现对台标图像集中每个像素的分类。