[发明专利]一种语义分割方法及应用其的道路积水检测方法和装置

权利要求书

1.一种语义分割方法，其特征在于，包括：

将待处理图像输入语义分割模型，所述语义分割模型包括主干网络、多尺度特征提取网络和语义分割预测头部，所述多尺度特征提取网络包括用于提取大尺度的第二特征图的第一全局特征提取网络、用于提取中尺度的第二特征图的第二全局特征提取网络、用于提取小尺度的第二特征图的第三全局特征提取网络，其中，每一所述全局特征提取网络至少包括串联的一个或多个全局特征提取模块，所述全局特征提取模块为嵌入了多个堆叠的全局注意力模块的CNN模块；

使用所述主干网络提取所述待处理图像的第一特征图，其中所述第一特征图为具有局部注意力的特征图；

所述第一全局特征提取网络的输入为第一特征图，所述第二全局特征提取网络的输入为所述第一特征图经过瓶颈模块后输出的特征图，所述第三全局特征提取网络的输入为所述第二全局特征提取网络中第一个全局特征提取模块输出的特征图经过瓶颈模块后输出的特征图；所述第一全局特征提取网络以及第二全局特征提取网络中的第一个全局特征提取模块输出的特征图均分别输入所述第一全局特征提取网络、所述第二全局特征提取网络、所述第三全局特征提取网络中的第二个全局特征提取模块；所述第三全局特征提取网络中的全局特征提取模块输出的特征图输入所述第二全局特征提取网络中的第二个全局特征提取模块，所述第二全局特征提取网络中第二个全局特征提取模块输出的特征图输入第一全局特征提取网络中的第二个全局特征提取模块；所述第一全局特征提取网络、所述第二全局特征提取网络、所述第三全局特征提取网络输出的特征图均为所述第二特征图，其中所述第二特征图为同时具有局部注意力和全局注意力的特征图；

将每一所述第二特征图输入所述语义分割预测头部获取多个预测目标分支结果，通过非极大值抑制输出所有所述预测目标分支结果中损失最小的预测框作为所述待处理图像的语义分割结果。

2.根据权利要求1所述的语义分割方法，其特征在于，使用所述全局特征提取模块将输入的特征图增大感受野并卷积升维，再展开为包括多个不重叠图像块的图像向量序列，将所述图像向量序列输入多个堆叠的全局注意力模块获取具有全局注意力的特征向量，将所述特征向量进行重塑和卷积降维后与输入所述全局特征提取模块的特征图进行堆叠和并联空洞卷积，得到所述全局特征提取模块输出的特征图。

3.根据权利要求1所述的语义分割方法，其特征在于，所述第一全局特征提取网络包括两个全局特征提取模块，每一所述全局特征提取模块中堆叠2个全局注意力模块；所述第二全局特征提取网络中包括两个全局特征提取模块，每一所述全局特征提取模块中堆叠4个全局注意力模块；所述第三全局特征提取网络中包括一个全局特征提取模块，该全局特征提取模块中堆叠3个全局注意力模块。

4.根据权利要求1所述的语义分割方法，其特征在于，所述主干网络包括依次连接的卷积层、渐进感受野递增模块、瓶颈模块、两个堆叠的渐进感受野递增模块和瓶颈模块，其中：所述卷积层和所述瓶颈模块,用于对所述待处理图像进行下采样获取相应的特征图；所述渐进感受野递增模块，用于将输入的特征图增大感受野。

5.根据权利要求4所述的语义分割方法，其特征在于，所述渐进感受野递增模块包括并行的第一分支和第二分支，所述第一分支将输入的特征图进行恒等映射，所述第二分支包括多层深度可分离空洞卷积，且所述第二分支内每一层的输入为前每一层的输出分别堆叠输入的特征图后再依据层级关系依次堆叠得到相应的特征图，每一层将输入的特征图进行深度可分离空洞卷积后再进行逐点卷积获得该层输出的特征图，将每一层输出的特征图依次与所述第一分支输出的特征图进行特征堆叠，并卷积堆叠后的所有特征图得到该渐进感受野递增模块输出的特征图。

6.根据权利要求4所述的语义分割方法，其特征在于，所述瓶颈模块包括并行的第三分支和第四分支，所述第三分支用于将输入的特征图进行逐点卷积扩张特征通道，并采用深度可分离卷积进行特征提取和空间维度降采样，再进行逐点卷积进行特征融合和特征通道降维，所述第四分支用于采用深度可分离卷积将输入的特征图进行特征空间上降采样，并卷积所述深度可分离卷积输出的结果进行特征融合，将所述第三分支和所述第四分支输出的特征图进行元素级相加作为该瓶颈模块输出的特征图。