[发明专利]基于二分类张量增强的多分类语义分割方法

权利要求书

1.基于二分类张量增强的多分类语义分割方法，其特征在于，包括步骤：

1)将需要将分类的图片输入至原始分割网络中；原始分割网络包括特征提取部分与一个多分类头；

2)由原始分割网络的特征提取部分进行特征提取，将提取的特征并行输入至N个二分类头以及中转部分；

3)N个二分类头对输入的特征分别进行二分类处理输出N个二分类张量，中转部分保持输入特征的通道数，输出待分类特征；

4)将N个二分类前景分数图与待分类特征进行级联，级联张量最后送入多分类头，多分类头对输入的级联张量进行N分类处理并输出N分类张量作为最终的多分类结果。

2.如权利要求1所述方法，其特征在于，训练过程实现多分类方法的整个网络采用的损失函数L为：L＝L_CE+α·L_BCE+β·L_B2M；

其中，L_CE与L_BCE分别是多分类头和二分类头的交叉熵损失，α和β是超参数；L_B2M为强化二分类张量支援属性的损失，L_B2M＝L_overlap+L_missing；L_overlap为反映二分类中不合理交叠的损失项，L_missing为反映二分类中缺失预测的损失项。

3.如权利要求2所述方法，其特征在于，反映二分类中不合理交叠的损失项L_overlap的具体计算方法为：

其中，C表示当前输入图片中所含真值类别的数目；对于所含的第i个真值类别，l_i对应表示该类别标签的序号，f(x)表示对输入x的非线性映射，f(x)＝δ(k·x+b)-δ(b)，δ表示Sigmoid函数，k和b为超参数；Overlap(l_i)为其他类别在第l_i个类别对应的真值区域的交叠程度。

4.如权利要求2所述方法，其特征在于，反映二分类中缺失预测的损失项L_missing的具体计算方法为：

其中，sum表示对所有元素求和，*表示对应位置元素相乘，表示第l_i个类别对应的二分类预测分数，表示二分类真实标签。

5.如权利要求1所述方法，其特征在于，原始分割网络为HRNetV2。