[发明专利]语义分割网络构建方法、语义分割方法及自动驾驶方法

说明书

本发明公开了一种语义分割网络构建方法，包括构建短期连接单元；堆叠得到编码器；构建像素级注意力模块；进行上采样构建解码器；结合编码器和和解码器得到语义分割网络；构建细节引导模块用于对语义分割网络进行训练；完成语义分割网络的构建。本发明还公开了包括所述语义分割网络构建方法的语义分割方法，以及包括所述语义分割方法的自动驾驶方法。本发明提供的这种语义分割网络构建方法、语义分割方法及自动驾驶方法，通过创新的语义分割网络的设计和构建，不仅实现了语义分割网络的建立和对应的语义分割，而且本发明方法的可靠性更高，精度更高，而且资源消耗更少。

技术领域

本发明属于数据识别与图像处理领域，具体涉及一种语义分割网络构建方法、语义分割方法及自动驾驶方法。

背景技术

随着经济技术的发展和人们生活水平的提高，数据识别与图像处理技术已经广泛应用于人们的生产和生活当中，给人们的生产和生活带来了无尽的便利。

同时，随着硬件的计算能力不断的提升，一些机器设备的智能化得以实现，如智能家居、智能医疗器械、自动驾驶汽车等。自动驾驶是近年来最具代表性的应用技术。在自动驾驶中，需要实时识别道路中的各种目标和定位，这就对语义分割的实时性提出了更高的要求。自动驾驶的控制方法大多需要精确的数学解析模型，精度较高的模型比较复杂，参数较多，具有极高的计算代价，难以保证自动驾驶的实时性要求。

而随着人工智能、大数据和互联网的发展，基于人工智能的技术方案开始逐步应用于自动驾驶。在基于深度学习的机器学习算法应用于无人驾驶自主决策的过程中，以高性能GPU和并行计算作为基础，采用神经网络对摄像头摄制的海量图像进行训练，从而识别和分割出道路上的各种目标，最终为自动驾驶行为提供辅助决策。这种方案的中间过程人为干涉较少，能够有效提高决策系统的性能。深度学习在无人驾驶领域的表现，要优于传统算法，因为其能对原始图像数据进行学习，并通过算法提取出更好的特征。

基于深度学习的图像语义分割的目的是给输入图像的每个像素一个类别标签，并根据像素类别生成不同颜色的分割掩膜，最终呈现出是不同颜色的区域块的效果。目前的轻量级网络模型虽然能够以较快的速度完成图像预测，但是由于缺少对图像高级特征信息的提取，最终将导致图像的分割精度不理想，从而严重影响决策的精度和可靠性。

发明内容

本发明的目的之一在于提供一种可靠性高、精度较高且资源消耗较少的语义分割网络构建方法。

本发明的目的之二在于提供一种包括了所述语义分割网络构建方法的语义分割方法。

本发明的目的之三在于提供一种包括了所述语义分割方法的自动驾驶方法。

本发明提供的这种语义分割网络构建方法，包括如下步骤：

S1. 基于卷积、批量标准化和激活函数，构建短期连接单元；

S2. 采用步骤S1构建的短期连接单元和卷积进行堆叠得到编码器；

S3. 构建像素级注意力模块；

S4. 对编码器的输出结果和像素级注意力模块的输出结果进行上采样，从而构建解码器；

S5. 结合步骤S4得到的编码器和和步骤S2得到的解码器，构建得到语义分割网络；

S6. 构建基于高斯-拉普拉斯算子的细节引导模块，用于对语义分割网络进行训练；

S7. 完成语义分割网络的构建。

步骤S1所述的基于卷积、批量标准化和激活函数，构建短期连接单元，具体包括如下步骤：

采用如下步骤构建A类短期连接单元：

A类短期连接单元包括A类级联结构、A类分支结构和通道随机混合操作层；A类级联结构用于特征提取；A类分支结构用于获取每一个特征提取块的全局上下文信息，防止网络退化；A类分支结构与A类级联结构并联；A类分支结构的结果与A类级联结构的结果求和后，再通过通道随机混合操作层进行通道随机混合操作，得到A类短期连接单元的输出；