[发明专利]一种基于注意力残差学习的道路场景语义分割方法

权利要求书

1.一种基于注意力残差学习的道路场景语义分割方法，其特征在于，具体步骤在于：

选取N幅RGB图像以及对应的热图像和真实标签图像，并构成训练集；

构建神经网络，所述神经网络包括RGB图像通道和热图像通道，分别获取所述RGB图像和所述热图像的特征，并将所述特征依次经控制门模块和注意力残差模块处理；

将所述训练集中的每幅所述RGB图像和所述热图像作为原始输入图像，输入到所述神经网络中进行训练，得到所述训练集中对应的每幅分割预测图；

计算所述训练集中的每幅所述RGB图像对应的所述分割预测图构成的集合与对应的所述真实标签图像构成的集合之间的损失函数值；

重复训练并计算损失函数值，确定最优权值矢量和最优偏置项。

2.根据权利要求1所述的一种基于注意力残差学习的道路场景语义分割方法，其特征在于，所述RGB图像通道包括五个第一神经网络块；五个所述第一神经网络块依次连接，上一级所述第一神经网络块的输出，作为下一级所述第一神经网络块的输入。

3.根据权利要求2所述的一种基于注意力残差学习的道路场景语义分割方法，其特征在于，所述热图像通道包括五个第二神经网络块；上一级所述第二神经网络块经所述控制门模块处理分别作为下一级所述第二神经网络块的输入和所述注意力残差模块的输入。

4.根据权利要求3所述的一种基于注意力残差学习的道路场景语义分割方法，其特征在于，所述控制门模块包括五个；第一级所述控制门模块以获取RGB图像和热图像的特征作为第一级输入；第一级所述控制门模块的输出作为第一级注意力残差模块的输入；同时经第二神经网络块作为下一级所述控制门模块的输入。

5.根据权利要求4所述的一种基于注意力残差学习的道路场景语义分割方法，其特征在于，所述注意力残差模块包括四个；第一级所述控制门模块的输出和所述第二级注意力残差模块的输出作为第一级注意力残差模块的输入。

6.根据权利要求1-5任一项所述的一种基于注意力残差学习的道路场景语义分割方法，其特征在于，所述控制门模块包括依次设置的第1神经网络层、第2神经网络层和第3神经网络层；

其中，第一输入和第二输入的叠连结果分别输入到所述第1神经网络层和所述第2神经网络层；所述第1神经网络层与所述叠连结果相乘再加上所述第一输入，得到第一输出；所述叠连结果输入所述第2神经网络层，所述第2神经网络层的输出与叠连结果相乘再加上所述第二输入，得到第二输出；同时所述第2神经网络层的输出作为所述第3神经网络层的输入；所述第3神经网络层的输出与第二输出相乘再加上第一输出为所述控制门模块的输出。

7.根据权利要求1-5任一项所述的一种基于注意力残差学习的道路场景语义分割方法，其特征在于，所述注意力残差模块，其输入包括第三输入和第四输入，由依次设置的第4神经网络层、第5神经网络层、第6神经网络层，第7神经网络层和第8个神经网络层；将所述第三输入和所述第四输入的叠连结果分别作为所述第4神经网络层、所述第5神经网络层、所述第6神经网络层的输入，将其三者的输出叠连在一起输入到所述第7神经网络层，得到第三输出；所述第四输入作为第8神经网络层的输入，其输出与所述第三输出相乘，得到第四输出，将第四输入与所述第四输出加和。

8.根据权利要求1所述的一种基于注意力残差学习的道路场景语义分割方法，其特征在于，所述损失函数值采用交叉熵函数作为损失函数获得。

9.根据权利要求1所述的一种基于注意力残差学习的道路场景语义分割方法，其特征在于，重复训练并计算损失函数值，确定损失函数值中最小值；所述最小值对应的权值矢量和偏置项对应作为所述神经网络的最优权值矢量和最优偏置项。