[发明专利]一种特征融合系数可学习的图像语义分割方法

摘要

本发明涉及一种特征融合系数可学习的图像语义分割方法，该方法步骤主要包括先在图像分类数据集上训练一个由图像到类别标签的深度卷积网络分类模型；将分类模型中的全连接层类型转为卷积层类型，得到全卷积深度神经网络模型，进行像素级别的类别预测；然后扩展卷积层分枝，给每一个分支设置一个系数，特征融合层按照系数比重进行融合，将此系数设置为可学习的状态；其次在图像语义分割数据集上进行微调训练，同时进行系数学习，得到语义分割模型；经微调训练和融合系数学习，可得到1至20组融合系数；最后在每组中选出系数最大的那个分支，进行最终组合，再次微调训练和系数学习，得到最终的语义分割模型。本发明使特征融合效果达到最好的状态。

主权项

一种特征融合系数可学习的图像语义分割方法，其特征在于，该方法包括以下步骤：步骤(1)：在图像分类数据集上训练一个由图像到类别标签的深度卷积网络分类模型；步骤(2)：将深度卷积神经网络分类模型中的全连接层类型转为卷积层类型，得到全卷积深度神经网络模型，进行像素级别的类别预测；步骤(3)：将全卷积深度神经网络的后端部分的常规卷积转化为扩张卷积，并添加扩张卷积分支，然后在全卷积深度神经网络末端进行特征融合；步骤(4)：将步骤(3)中全卷积深度神经网络末端扩展卷积层分枝，给每一个分支设置一个系数，特征融合层按照系数比重进行融合，将此系数设置为可学习的状态；步骤(5)：将步骤(4)修改后得到的全卷积深度神经网络，在图像语义分割数据集上进行微调训练，同时进行系数学习，得到语义分割模型；步骤(6)：经过步骤(1)至(5)得到一组包含2至10个融合系数的组合，由步骤(3)中经过1至20组多尺度分支组合，再经微调训练和融合系数学习，可得到1至20组融合系数；步骤(7)：在每组中选出系数最大的那个分支，进行最终组合，再次微调训练和系数学习，得到最终的语义分割模型。