[发明专利]基于深度学习的图像语义分割方法及存储介质

权利要求书

1.基于深度学习的图像语义分割方法，其特征在于，包括：

在特征提取网络后串联一个平均全局池化层和全连接层作为分类的预训练模型，并采用Imagenet-1K数据集对预训练模型进行分类训练；

将训练后的预训练模型中的特征提取网络与轻量级ASPP模块和两个特征增强模块依次连接构成语义分割模型；

通过翻转、旋转和缩放对数据集cityscapes进行扩充，并采用扩充后的数据集对语义分割模型进行训练，得到目标语义分割模型；

将预处理后的新图片输入目标语义分割模型，在目标语义分割模型中进行一次前向传播，端到端地输出预测的语义分割结果；

所述特征增强模块包括双通道注意力模块、空间注意力模型和特征融合模块；

所述采用扩充后的数据集对语义分割模型进行训练，得到目标语义分割模型进一步包括：

S1、于扩充后的数据集中随机选取一张图片输入语义分割模型中的特征提取网络得到分辨率为原图1/32的特征图；

S2、将特征图输入轻量级ASPP模块进行融合，得到融合多尺度信息的高级特征；

S3、第一个特征增强模块的空间注意力模块和双通道注意力模块对高级特征和特征提取网络中间部分跳接而来的低级特征进行修正，分别得到修正后的高级特征和低级特征；

S4、将修正后得到的高级特征和低级特征输入第一个特征增强模块的特征融合模块得到高级特征；

S5、采用第二个特征增强模块的空间注意力模块和双通道注意力模块对第一个特征增强模块输出的高级特征和特征提取网络中间部分跳接而来的低级特征进行修正，分别得到再次修正后的高级特征和低级特征；

S6、将再次修正后得到的高级特征和低级特征输入第二个特征增强模块的特征融合模块得到最终的高级特征，并对最终的高级特征进行上采样完成一次迭代，并将训练迭代次数累加一次；

S7、判断训练迭代次数是否大于等于预设迭代次数，若是，进入步骤S8，否则返回步骤S1；

S8、完成语义分割模型的训练，得到目标语义分割模型。

2.根据权利要求1所述的基于深度学习的图像语义分割方法，其特征在于，所述特征提取网络由五部分串联构成，其中一、二部分均为步长为2的3x3标准卷积；

第三部分和第四部分相同，均由1个过渡层和2个密集连接层串联而成，过渡层由两个并联支路组成，两个支路的输入相同，一个支路是步长为2的3x3标准卷积串联一个步长为1的3x3标准卷积，另一个支路是步长为2的1x1标准卷积，两个支路的输出相加作为与其连接的密集连接层的输入，两个密集连接层都是由两个步长为1的3x3标准卷积串联而成的标准残差结构；

第五部分由1个过渡层、2个密集连接层和1个过渡层串联而成，第五部分的第一个过渡层和2个密集连接层与第三部分的组成结构相同，第二个过渡层由两个并联支路组成，两个支路的输入相同，一个支路是步长为1的3x3标准卷积串联一个步长为1的3x3标准卷积，另一个支路是步长为1的1x1标准卷积，两个支路的输出相加作为特征提取网络的输出。