[发明专利]一种边界引导上下文聚合的交通场景语义分割方法

权利要求书

1.一种边界引导上下文聚合的交通场景语义分割方法，其特征在于包括以下步骤：

(1)获取数据集与分割标签：

获取交通场景公开数据集与对应的分割标签；

(2)数据处理，具体包括以下步骤：

(2-a)对步骤(1)获取的数据集中的图像与对应的分割标签同步水平翻转；

(2-b)将步骤(2-a)获得的图像及对应的分割标签都缩放至m₁×m₂像素大小，其中m₁和m₂分别为缩放后图像的宽和高，m₁、m₂都为正整数；

(2-c)将步骤(2-b)缩放得到的图像及对应的分割标签进行归一化操作，组成处理后的样本数据集；

(3)构建分割模型，具体包括以下步骤：

(3-a)构建语义分割模块，该模块一共包括五组下采样层和一个空洞空间卷积池化金字塔模块，即ASPP模块；输入图像依次经过这五组下采样层，分别得到特征图F₁、F₂、F₃、F₄和F₅，F₅经过ASPP模块后，得到特征图F_f；第一组下采样层由一个残差卷积块与一个池化层组成，第二、三、四、五组下采样层都由一个残差卷积块组成；

(3-b)构建边界细化模块，将步骤(3-a)得到的特征图F₂、F₃、F₄和F₅分别经过一个卷积核大小为1×1的卷积层后得到相应的特征图F₂′、F₃′、F₄′和F₅′；利用边缘检测算子对输入图像进行边缘检测得到特征图B₁，将B₁经过一个卷积核大小为1×1的卷积层后得到特征图B₁₁，B₁₁与F₂′共同输入到第一个注意力门控模块AG₁，得到特征图B₂；将B₁₁经过一个卷积核大小为1×1的卷积层后得到特征图B₁₂，B₁₂与F₃′共同输入到第二个注意力门控模块AG₂后得到特征图B₃；将B₁₂经过一个卷积核大小为1×1的卷积层后得到特征图B₁₃，B₁₃与F₄′共同输入到第三个注意力门控模块AG₃后得到特征图B₄；将B₁₃经过一个卷积核大小为1×1的卷积层后得到特征图B₁₄，B₁₄与F₅′共同输入到第四个注意力门控模块AG₄后得到特征图B₅；最后将特征图B₂、B₃、B₄和B₅拼接后得到特征图B_s，B_s经过一个卷积核大小为1×1的卷积层降维后得到特征图B_f；

(3-c)将步骤(3-a)得到的特征图F_f与步骤(3-b)得到的特征图B_f共同输入到上下文聚合模块，即CAM模块，得到特征图F_p，F_p经过一个卷积核大小为3×3的卷积层后得到特征图F′_p，将F′_p上采样至原始图像大小，得到交通场景语义分割结果；将步骤(3-b)得到的特征图B_f经过一个卷积核大小为3×3的卷积层后得到特征图B_p，将B_p上采样至原始图像大小，得到交通场景边界的二值分割结果；

(4)构建损失函数：

构建以下联合损失函数：

L＝λ₁L_body+λ₂L_boun+λ₃L_aux

其中，L_body表示语义分割的交叉熵损失，L_boun表示边界分割的二项式交叉熵损失，L_aux表示辅助的交叉熵损失，表示像素i为第k类标签的真值，y_i∈[0,1]表示像素i为边界的真值，λ₁,λ₂,λ₃为超参数，其中λ₁∈(0,1]，λ₂∈(0,1]，λ₃∈(0,20]，I代表输入图像，k取正整数且k∈[1,K]，K为分割结果的类别数，取正整数且K∈[2,160]，表示像素i为第k类的预测结果，p_i∈(0,1)表示像素i为边界的预测结果，log为自然对数；

(5)训练分割模型：

利用步骤(2)得到的样本数据集训练步骤(3)构建完成的分割模型，根据步骤(4)构建的损失函数得到损失值，并使用随机梯度下降法更新模型内的参数，直至损失值不再下降，得到训练好的分割模型；

(6)交通场景图像分割：

获取待分割的交通场景图像，按照步骤(2)对它们进行数据处理后，输入步骤(5)得到的训练好的分割模型中，得到最终分割结果。