[发明专利]一种基于深度学习的背景去除的方法

权利要求书

1.一种基于深度学习的背景去除的方法，其特征在于包括如下步骤：

步骤1、对初期数据库的建立，通过采用对COCO数据集的整理以及添加修改得到所需要的对初期数据库；并找到对初期数据库中图片原始信息匹配所对应的标签信息(API)；对初期数据库以及其所对应的标签信息进行预处理操作，包括图像正则化和图像格式转换；

步骤2、将步骤1得到的初期数据库作为原始训练数据输入到提拉米苏Tiramisu网络中，得到基本的背景去除的模型，具体的：

将初期数据库作为原始数据输入Tiramisu网络中训练网络参数；所述网络中稠密块主要是根据X_L＝H_L([x₀,x₁,x₂..x_L-1])；其中H_L的操作包括包括Batch Normalization，ReLU和两个convolution，分别为3*3以及1*1，x₀,x₁,x₂..x_L-1为原始数据，X_L为经过H_L后的输出信息；

所述网络结构实现如下：在经过初始卷积层得到特征图输出x₀,采用跳跃连接分为两条路径，其中主路径首先经过Dense Block即稠密块，且每个稠密块中包含H_L；另一条路径上并不采用任何操作，保证了输入信息的完整性，同时将x₀与主路径中的输出结果相合并，将原输入信息进行优化，去掉其中冗余的部分，并将结果通过Transition Layer用于降维，同时由于跳跃连接的存在，使得梯度能够更加迅速的进行权值的迭代；

其中Batch Normalization使提取后的特征均值为0，方差为1，便于之后的计算；3*3以及1*1的convolution操作也称之为bottleneck layer，即利用卷积操作减少输入特征图的数量；ReLU用于提取样本特征；

所述提拉米苏网络训练采用自下而上的监督学习方式，包括一初始卷积层、多个DenseBlock即稠密块、多个转换层、多个跳跃连接；

所述初始卷积层用于对输入的原始数据进行卷积，得到原始的特征图；所述稠密块用于特征重用，提升信息和梯度在网络中的传输效率；所述转换层包含reduction，用来减少或者增加通道数量，缓解梯度消失；

所述每个稠密块包含批量归一化(BatchNormalization)、修正线性单元(ReLU)以及卷积(Convolution)操作，用于降维和融合各个通道的特征；每个稠密块之间通过过渡层(Transition Layer)相连接，其中包括卷积(convolution)以及平均池化(mean pooling)的操作；

步骤3、将待识别的图片作为输入数据输入到上述模型中进行识别，得到识别结果。

2.根据权利要求1所述的一种基于深度学习的背景去除的方法，其特征在于所述初期数据库的建立是指在对COCO数据集、VOC pascal数据集以及CamVid数据集调研的基础上，根据要求选择COCO数据集；且对选择的COCO数据集中的图片进行稀释，人为挑选所需的与任务相关性强的图像后获取初期数据库。

3.根据权利要求1或2所述的一种基于深度学习的背景去除的方法，其特征在于所述的Dense Block的内部结构实现如下：

在输出为x₀的情况下，首先x₀经过Batch Normalization，进行批量归一化的操作，之后利用ReLU提取样本特征，最后进行3*3以及1*1的卷积操作得到下层的输入，x₀所经过的操作称之为H操作，再对x₁进行H操作之前需要先将上一层的输出x₀进行叠加得到新的x₁再进行H操作，之后的每一层都需要将前面层的输出进行叠加，在这之后进行H操作；每一层的输入来自于前面所有层的输出。