[发明专利]用于街景理解的基于边缘稠密重建的语义分割方法及系统

摘要

本发明涉及一种用于街景理解的基于边缘稠密重建的语义分割方法及系统，该方法包括：对训练集输入图像进行预处理，使图像标准化并获取相同尺寸的预处理图像；用卷积网络提取通用特征，再获取三级上下文空间金字塔融合特征，以这两部分级联作为编码网络提取编码特征；利用编码特征获取半输入尺寸编码特征，基于卷积网络获取边缘特征，结合半输入尺寸编码特征，以融合边缘特征的稠密网为解码网络，重建图像分辨率，获取解码特征；计算语义分割损失和辅助监督的边缘损失，以最小化两者加权和损失为目标对深度神经网络进行训练；利用深度神经网络模型对待分割图像进行语义分割，输出分割结果。该方法及系统有利于提高图像语义分割的准确性和鲁棒性。

主权项

1.一种用于街景理解的基于边缘稠密重建的语义分割方法，其特征在于，包括以下步骤：步骤A：对训练集输入图像进行预处理，首先让图像减去其图像均值使其标准化，然后随机对图像进行统一尺寸的剪切获取相同尺寸的预处理图像；步骤B：用卷积网络提取通用特征F_backbone，再基于通用特征F_backbone获取三级上下文空间金字塔融合特征F_tspp，用于捕获多尺度上下文信息，然后以这两部分级联作为编码网络提取编码特征F_encoder；步骤C：扩大编码特征F_encoder尺寸到输入图像尺寸的一半，获取半输入尺寸编码特征F_us，从所述卷积网络中选取中间层特征计算边缘特征结合半输入尺寸编码特征F_us，以融合边缘特征的稠密网为解码网络，进行图像分辨率重建，计算解码特征F_decoder；步骤D：用解码特征F_decoder和边缘特征分别获取语义分割概率图和边缘概率图，以训练集中的语义图像标注计算边缘图像标注，利用语义分割概率图和边缘概率图以及各自对应的标注分别计算得到语义分割损失和辅助监督的边缘损失，以最小化两者加权和损失为目标来对整个深度神经网络进行训练；步骤E：利用训练好的深度神经网络模型对待分割图像进行语义分割，输出分割结果。