[发明专利]一种基于对抗神经网络的语义分割方法

说明书

本发明涉及图像识别与深度学习领域，具体是一种基于对抗神经网络的语义分割方法。包括以下步骤。S100～收集道路损伤图像数据集，并按比例划分为训练数据集和测试数据集，训练数据集用来训练对抗神经网络模型，测试数据集用来验证对抗神经网络模型的好坏；S200～构建Resnet‑50网络，当做基准预训练网络，输入道路损伤图像训练集，进行预训练；S300～训练对抗神经网络的分割模型，该模型包括PSPNet网络中的PPM模块和DeepLab中的ASPP模块；S400～将两个PPM模块和ASPP模块分割网络得到的结果输入判别模型中，输出类全局概率得分图；S500～根据判别网络得到的结果，重新调整两个分割模型进行训练，并且重复S300和S400，直到两个分割网络的结果趋于一致，从而达到语义分割的效果。

技术领域

本发明涉及图像识别与深度学习领域，具体是一种基于对抗神经网络的语义分割方法。

背景技术

道路建设作为衡量国家现代化水平的重要指标之一，我国的道路建设也在如火如荼的发展。但是道路交通网十分庞大复杂，随之而来的问题也难以妥善解决，其中道路养护问题一直是重中之重。道路产生的损伤一般是由施工方式、气候条件、行车负载等因素造成的，从而对道路交通安全带来了巨大的挑战。所以如何从道路图像上快速准确地检测出损伤区域就成为了急需解决的难题。本发明提出一种基于对抗神经网络的语义分割方法，不仅可以检测道路的损伤类型，而且在小目标损伤方面的分割精度也明显提高。

发明内容

本发明为了对重要路段的道路路面状况进行语义分割，如果道路路面出现损伤可以及时发现，进行修补，提供一种基于对抗神经网络的语义分割方法。

本发明采取以下技术方案：一种基于对抗神经网络的语义分割方法，包括以下步骤。

S100～收集道路损伤图像数据集，并按比例划分为训练数据集和测试数据集，训练数据集用来训练对抗神经网络模型，测试数据集用来验证对抗神经网络模型的好坏；S200～构建Resnet-50网络，当做基准预训练网络，输入道路损伤图像训练集，进行预训练；S300～训练对抗神经网络的分割模型，该模型包括PSPNet网络中的PPM模块和DeepLab中的ASPP模块；S400～将两个PPM模块和ASPP模块分割网络得到的结果输入判别模型中，输出类全局概率得分图；S500～根据判别网络得到的结果，重新调整两个分割模型进行训练，并且重复S300和S400，直到两个分割网络的结果趋于一致，从而达到语义分割的效果。

步骤S100中，道路损伤图像数据集来自拍摄的道路现场图像，包括不同的环境、光照、路面以及形状。

步骤S200中，将原始网络Resnet-50的第一层卷积层由7×7的改为三层3×3的卷积层，将最后一个分类层去除，接着将最后一个残差模块的步长从2改成1，最后，将网络的扩张率改为2，得到等同于输入图像大小1/16的特征映射。

步骤S300中，PSPNet中的PPM模块使用1×1、2×2、 、6×6代表不同的子区域分别进行池化，最后用这个模块上采样和级联；DeepLab中的ASPP模块，使用的rates=（1,6,12,18），并且扩张卷积运算由4个并行的卷积层组成；两个分割网络输入的图像大小为H×W×3，输出的是H×W×C₁和两个类概率分割图S₁和，C₁和C₂分别是两个分割网络输出的类别数，将这两个分割图进行对抗学习。

步骤S300中，训练具体过程中，整个对抗网络的总损失函数分为两部分，两个分割网络各自的损失函数与判别网络的损失函数，两个分割网络的损失函数表示为如下公式：

（1）

（2）