[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

说明书

本发明提供了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。该方法包括：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。本发明可以在短时间内有效完成对语义分割不确定度的量化计算，极大提高计算效率，节约时间、资源成本。

技术领域

本发明涉及语义分割技术领域，尤其涉及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。

背景技术

语义分割为识别图像中存在的内容以及位置(通过查找属于它的所有像素)。语义分割是一种典型的计算机视觉问题，其涉及将一些原始数据(例如，平面图像)作为输入并将它们转换为具有突出显示的感兴趣区域的新数据。语义分割是在像素级别上的分类，属于同一类的像素都要被归为一类。

D-S证据理论(Dempster-ShaferTheory of Evidence)也称D-S理论，最早是Dempster在利用上下限概率来解决多值映射问题方面所做的工作，他试图使用一个概率范围而不是一个确定的概率值来描述不确定性。证据理论将概率论中对事件的单点赋值扩展为对事件集合赋值，弱化了相应的公理系统，满足了比概率更弱的要求，可看作一种广义的概率论。

为了能够更好地理解D-S证据理论，下面介绍D-S证据理论的样本空间、基本函数和证据之间的组合规则。

(1)样本空间

设Θ为变量X的所有可能取值的有限集合，也称为样本空间，Θ中元素两两互斥，则由Θ中所有子集构成的集合称为幂集，记为2^Θ。当Θ中的元素个数为N时，其幂集中元素的个数为2^N。

(2)基本函数

D-S证据理论中，有基本概率分配函数(mass)、信任函数(belief)和似然函数(plausibility)三个重要的概念，下面分别对其进行介绍。

1)基本概率分配函数(mass)

在样本空间Θ上的基本概率分配是把Θ的任意一个子集都映射为[0,1]上的函数m，称为mass函数，并且满足公式(2-1)。

此时称m是2^Θ上的概率分配函数，m(A)称为A的基本概率数，m(A)表示依据当前的证据对假设集合A的信任程度。

2)信任函数(belief)

在样本空间Θ上基于基本概率分配函数的信任函数定义为：对任意的A包含于Θ，均满足公式(2-2)。

Bel(A)表示在当前证据下，对假设集合A的信任程度。Bel(A)的值等于A的所有子集的基本概率之和。

3)似然函数(plausibility)

在样本空间θ上基于基本概率分配函数的似然函数定义为：对任意的A包含于θ，均满足公式(2-3)。

由于信任函数Bel(A)表示对A为真的信任度，表示对A为假的信任度，因此Pl(A)表示对A为非假的信任度，似然函数又称为不可驳斥函数或上限函数。

(3)证据之间的组合规则