[发明专利]一种基于证据推理的语义分割网络模型不确定性量化方法

权利要求书

1.一种基于证据推理的语义分割网络模型不确定性量化方法，其特征在于，包括：

构建FCN网络模型，利用训练数据集对FCN网络模型进行训练，得到用于图像数据的语义分割的训练后的FCN网络模型；

将D-S证据理论移植于所述训练后的FCN网络模型，得到重构后的FCN网络模型；

将待分割的图像数据输入到重构后的FCN网络模型，FCN网络模型输出待分割图像的分类结果，利用D-S证据理论指标计算出每个像素点的分类结果不确定值；

所述的将D-S证据理论移植于所述训练后的FCN网络模型，得到重构后的FCN网络模型，包括：

将D-S证据理论移植于所述训练后的FCN网络模型，通过D-S证据理论计算得到原始证据池m_jk；再将Dempster组合规则应用于原始证据池m_jk，通过计算得到对K个类别的置信度m_l和不确定性度量指标，不确定性度量指标用于评估预测结果的不确定性，K个类别的置信度m_l经过似然变换得到归一化似然函数P_m，将FCN网络模型的输出结果P(C_k)等价于基于证据推理方法得到的似然函数P_m(C_k)，得到重构后的FCN网络模型。

2.根据权利要求1所述的方法，其特征在于，所述的构建FCN网络模型，包括：

将卷积神经网络中经卷积层和池化层缩小的特征图通过上采样/反卷积操作，实现特征空间信息的恢复，得到全卷积网络FCN网络模型，对FCN网络模型的参数进行训练，所述FCN网络模型的参数包括特征图的激活值和滤波器的权重，FCN网络模型的参数层均为卷积层，最后一个卷积层的卷积核大小为1*1，FCN网络模型的全连接层不用于执行图像分割任务。

3.根据权利要求2所述的方法，其特征在于，所述的利用训练数据集对FCN网络模型进行训练，得到用于图像数据的语义分割的训练后的FCN网络模型，包括：

获取已知的原始图像数据集和标签数据，所述原始图像数据集中的预处理图像为相同尺度大小m*n，将所述原始图像数据集和标签数据构成训练数据集，将所述训练数据集输入到FCN网络模型中，利用损失函数自动计算优化分类模型的参数，得到用于图像数据的语义分割的训练后的FCN网络模型。

4.根据权利要求1所述的方法，其特征在于，所述的将待分割的图像数据输入到重构后的FCN网络模型，FCN网络模型输出FCN网络模型输出待所述分割的图像数据的图像分割结果，包括：

将待分割的图像数据输入到重构后的FCN网络模型，假设需要将待分割的图像数据分割为K+1类，外加“背景”类别，设置FCN网络模型的最后一个卷积层包括K个滤波器，FCN网络模型的最后一层特征图的尺寸及通道数分别为n_H，n_W和n_C；

所述重构后的FCN网络模型对待分割的图像数据进行语义分割，从FCN网络模型的最后一组特征图提取激活值是J维的激活值，J＝n_H*n_W*n_C，同时提取FCN的最后一个卷积层的滤波器的权重w及偏置b；利用所述激活值权重w及偏置b，通过计算得到原始证据池m_jk；

将Dempster组合规则应用于所述原始证据池m_jk，通过计算得到对K个类别的置信度m_l，FCN网络模型的输出结果P(C_K)为：

得到N*n_H*n_W*n_C*(K+1)维的预测数据，其中N为输入图片样本数量，n_H，n_W，n_C分别为原始图片的尺寸：高度、宽度、颜色通道数，K为分类类别数。