[发明专利]一种基于USV的障碍物分割网络及其生成方法

权利要求书

1.一种基于USV的障碍物分割网络的生成方法，其特征在于，在编码部分，用一个膨胀卷积层替换VGG16的全连接层以及block5中的最大池化层形成修改后的VGG16，使修改后的VGG16作为编码器，使用膨胀卷积层的目的是能够在不损失分辨率的情况下扩大感受野以及获取更多的上下文信息；将两个注意力细化模块加入到网络的解码部分中用于细化输出特征,然后加入特征融合模块去实现高级和低级特征的融合。

2.如权利要求1所述的基于USV的障碍物分割网络的生成方法，其特征在于，所述膨胀卷积比率为2。

3.如权利要求1所述的基于USV的障碍物分割网络的生成方法，其特征在于，将两个注意力细化模块添加至网络中，其中，一个注意力细化模块用于优化编码器的第一个模块(block1)中的输出特征,另一个注意力细化模块用于优化解码器中经过一系列上采样后的特征，然后将这两个注意力细化模块进行级联以细化输出的特征。

4.如权利要求1所述的基于USV的障碍物分割网络的生成方法，其特征在于，在解码部分添加特征融合模块，该特征融合模块用于将网络中的低级特征和高级特征进行特征融合。

5.如权利要求1所述的基于USV的障碍物分割网络的生成方法，其特征在于，选用LeakyRelu激活函数去替代原始的特征融合模块中的Relu激活函数。

6.如权利要求1所述的基于USV的障碍物分割网络的生成方法，其特征在于，使用Softmax函数添加在解码器的最后一个模块中，用于输出多个分类。

7.如权利要求1所述的基于USV的障碍物分割网络的生成方法，其特征在于，使用Cross-Entropy损失函数和Dice损失函数共同训练该网络，具体采用如下公式：

其中，H(p,q)为交叉熵，p()代表真实的概率分布，q()代表预测的概率分布；

其中，X表示地面真值图片，Y表示预测图片；

loss＝ce_loss+dice_loss. (3)

其中，loss为总损失。

8.如权利要求1所述的基于USV的障碍物分割网络的生成方法，其特征在于，选用MaSTr1325数据集对该网络进行训练、验证以及测试。

9.如权利要求1所述的基于USV的障碍物分割网络的生成方法，其特征在于，

选用两个评估指标，MIoU(平均交并比)以及MPA(平均像素精确度)；

其中,有k+1个类,p_ij表示属于第i类但被预测为第j类的像素个数。即p_ii表示真阳性,p_ij表示假阳性,p_ji表示假阴性。

10.一种基于USV的障碍物分割网络，其特征在于，由权利要求1至9中任一项所述的生成方法生成。