[发明专利]通过抑制非感兴趣信息的语义分割方法、设备及存储设备

说明书

本发明提出了一种通过抑制非感兴趣信息的语义分割方法、设备及存储设备，本发明基于深度学习库优化神经网络，提高语义分割结果的精度，主要包括以下步骤：1)构建基础Unet模型；2)添加注意力机制；3)门特征图与当前层结果相乘；4)添加新输出结果和多损失函数；5)对待进行语义分割的图像进行图像语义分割。本方法可以提高语义分割神经网络的精度并有效抑制非感兴趣信息。

技术领域

本发明涉及语义分割领域，更具体地说，涉及一种通过抑制非感兴趣信息的语义分割方法、设备及存储设备。

背景技术

采用神经网络对图像进行语义分割过程中，需要先搭建神经网络。在神经网络的搭建过程中，简单的神经网络层数的堆叠不能实现对非感兴趣信息的抑制；要想取得更好的泛化效果就需要扩大模型的感受野，但是需要很多的计算资源，不利于模型的在移动设备上的部署。本发明是基于上述问题提出的解决方法。

发明内容

本发明的目的在于针对现有技术中的缺陷，提出一种抑制非感兴趣信息的高精度语义分割方法，基于深度学习库优化神经网络，提高语义分割结果的精度。

本发明解决其技术问题，所采用的种通过抑制非感兴趣信息的语义分割方法包含如下步骤：

步骤1)、利用深度学习库优化神经网络，构建一个基础的图像语义分割模型Unet，包括编码和解码两个阶段；编码阶段串行进行多次下采样，每次下采样通过多层空间维度逐渐增加和特征图大小都不变的卷积层和一层池化层实现；解码阶段串行进行多次上采样，每次上采样通过多层空间维度逐渐减小和特征图大小不变的卷积层和一层上采样层实现；

步骤2)、在每一次下采样过程中添加注意力机制，基于深度学习库优化神经网络将编码阶段的当前层f(n)做维度和特征图大小缩小一倍的1×1卷积处理；对当前层f(n)的下一层f(n+1)做维度与f(n)相同和特征图大小不变的卷积处理；将f(n)和f(n+1)的卷积处理结果进行加权融合；对加权融合后的特征图进行上采样与全局平均池化处理后，利用激活函数激活得到用于管控f(n)的门特征图G；

步骤3)、将门特征图G和当前层f(n)相乘，得到解码阶段的补偿信息；

步骤4)、基于深度学习库优化神经网络在最后输出处添加一层维度和特征图大小都不变的1×1卷积层，用于输出新结果，从而形成最终的图像语义分割模型；其中，图形语义分割模型通过loss1对原输出层结果进行约束，通过loss2对在原输出层结果上生成的新结果进行约束，从而实现优化和信息补偿；其中，loss1、loss2的计算公式如下：

loss1＝α×BCE+β×PBL (2)

loss2＝α×BCE+β×PBL (3)

α+β＝1 (4)

式中，l表示像素值，SK表述像素的标签集合，S表示像素的预测集合，i和j表示像素的索引坐标，p_ij表示输出结果的概率，I()表示满足括号内条件时，值等于1，否则等于0，N表示类别数，BCE表示交叉熵，loss1表示原输出层的损失函数，loss2为新输出层损失函数，α表示对分割输出结果轮廓的约束，分割区域环境越复杂，值越大，α0；β表示对分割总体质量的约束，分割区域越离散，值越大,β0；

步骤5)、获取带语义分割标签的图像，多张所述图像形成训练集，对最终的图像语义分割模型进行训练，得到训练好的模型，用来对待进行语义分割的图像进行图像语义分割。

进一步地，在本发明的通过抑制非感兴趣信息的语义分割方法中，步骤1)中，编码阶段串行进行4次下采样，每次下采样通过2层空间维度逐渐增加和特征图大小都不变的3×3卷积层和一层池化层实现，卷积层采用tensorflow中的conv函数，池化层采用tensorflow中的Averagepooling函数。