[发明专利]一种基于方向性全卷积网络的语义分割方法

权利要求书

1.一种基于方向性全卷积网络的语义分割方法，其特征在于，包括：

(1)构建一个方向性全卷积网络；

(2)将构建的方向性全卷积网络的顶层加入池化层和全连接层，构成第一深度模型，并在大型数据集上进行预训练；

(3)提取预训练好的第一深度模型中的方向性全卷积网络部分，使用全卷积层初始化方向性全卷积网络的参数，并在其后加入新的全连接层，构成第二深度模型；

(4)使用图片语义分割的数据集训练第二深度模型，直到模型收敛；

(5)利用训练后的第二深度模型对待测图片进行分析，预测图像中每个像素所属的类别，形成图像语义分割图输出。

2.根据权利要求1所述的基于方向性全卷积网络的语义分割方法，其特征在于，步骤(1)中，方向性卷积的定义如下：

其中，y_co是输出的第co个特征，ci代表输入特征的索引，总计C_i个特征值；S为卷积计算过程中采样的像素的位置集合；w_s，ci、x_s，ci和b_co分别代表线性运算过程中所需的权重、输入以及偏移量；S的选取从如下动态集合中选取：

M_k＝{(s₁，s₂)|(s₁-e₁)²+(s₂-e₂)²≤2²；

s₁，s₂∈[-2，2]；s₁，s₂∈Z}∪{(0，0)}

其中，k的取值范围为0到15的整数，代表着16个不同的方向；S的具体取值规则为：

S＝M_(ci％16)

其中，ci代表输入通道的索引，除以16取余代表将其分类至16个不同的组别。

3.根据权利要求1所述的基于方向性全卷积网络的语义分割方法，其特征在于，步骤(2)中，所述的大型数据集采用大规模图像识别数据集ImageNet。

4.根据权利要求3所述的基于方向性全卷积网络的语义分割方法，其特征在于，步骤(2)的具体步骤为：

(2-1)在方向性全卷积网络的顶层加入图像池化层，使得图像由三维特征图变成特征向量，随后使用全连接层，将其变形为1000维的向量，对应着ImageNet的1000个图像种类；

(2-2)将构建的第一深度模型在GPU上进行训练，每个GPU单次计算32个图像，8个GPU并行训练；

(2-3)使用SGDM优化算法，初始学习率0.256，并在每30次循环后将学习率降低为10％，共计训练90个循环，Momentum参数设置为0.9，直到模型收敛。

5.根据权利要求1所述的基于方向性全卷积网络的语义分割方法，其特征在于，步骤(3)中，新加入的全连接层采用高斯分布的随机初始化。

6.根据权利要求1所述的基于方向性全卷积网络的语义分割方法，其特征在于，步骤(4)的具体过程如下：

(4-1)将训练集的图片输入第二深度模型中，经计算后产生特征图；

(4-2)将第二深度模型中最后一个跨度卷积置换为非跨度卷积，并将最后一个跨度卷积后所有卷积的扩散率调整为2；

(4-3)采用双线性插值将特征图放大至原始图像大小；

(4-4)将产生的特征送入softmax函数中得到预测序列的概率分布，使用cross-entropy损失函数计算网络上参数的梯度，并使用SGDM优化算法更新参数值；初始学习率设置为10^-3；

(4-5)重复上述步骤，直到模型收敛。