[发明专利]一种基于CNUNet3+网络的图像语义分割方法

权利要求书

1.一种基于网络的图像语义分割方法，其特征在于，所述方法包括：

构建网络模型，所述网络模型为U形结构，采用编码器-解码器结构；深度为N，N为大于等于3的正整数；所述U形结构左臂为编码器，右臂为解码器；所述编码器的深度每加深一层，通道数翻倍；编码器的相邻节点之间使用降采样运算，解码器的相邻节点之间使用升采样运算，解码器节点之间使用密集连接；第一层至第L层每层均插入一个中央节点，；编码器节点与中央节点处于相同深度时，采用卷积运算；编码器节点与中央节点处于不同深度时，采用降采样运算；中央节点与解码器节点处于相同深度时，采用卷积运算；中央节点与解码器节点处于不同深度时，采用降采样运算；无中央节点层的编码器和解码器的节点之间采用卷积计算，所述编码器节点、中央节点与解码器节点均为神经元节点；

将训练集数据输入到所述网络模型中，对所述网络模型进行训练，所述训练集数据由原始图像和已标记了分割结果的图像作为训练集样本；

对待分割图像进行预处理，将所有待分割图像修改为相同尺寸；

使用训练后的网络模型对待分割图像进行分割。

2.如权利要求1所述的图像语义分割方法，其特征在于，所述中央节点的计算公式为：

其中， 表示位于第i层的中央节点；表示第i层的编码器节点；M表示中央节点的个数；表示降采样运算； 表示卷积运算；表示连接运算；表示混合集成运算，先执行卷积运算，再执行批标准化运算，再执行ELU激活；式中。

3.如权利要求1所述的图像语义分割方法，其特征在于，所述网络模型采用ELU激活函数。

4.如权利要求1所述的图像语义分割方法，其特征在于，所述降采样运算使用最大汇聚法。

5.如权利要求1所述的图像语义分割方法，其特征在于，所述升采样运算使用双线性插值法。