申请/专利权人：浙江科技学院

申请日：2021-01-08

公开（公告）日：2024-07-05

公开（公告）号：CN112733934B

主分类号：G06V10/774

分类号：G06V10/774;G06V10/764;G06V10/82;G06T7/11;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.07.05#授权;2021.05.21#实质审查的生效;2021.04.30#公开

摘要：本发明公开了一种复杂环境下的多模态特征融合道路场景语义分割方法。选取道路场景图像、热图像和分割标签图像构成训练集；构建卷积神经网络；将训练集输入到卷积神经网络训练得语义分割结果图，训练完成得语义分割结果图构成的集合，并与所有道路场景图像对应的分割标签图像构成的集合之间计算损失函数值；重复步骤训练获得最小损失函数值对应的最优参数；将待分割的原始道路场景图像的多通道分量输入，利用最优参数进行预测，得到待分割的原始道路场景图像的显著性检测图像，获得分割结果。本发明应用了新颖的模块优化了特征图像的解码，结合分层次、多模态的信息融合，最终提高了道路场景语义分割任务的分割效率和准确度。

主权项：1.一种复杂环境下的多模态特征融合道路场景语义分割方法，其特征在于：包括训练阶段和测试阶段两个过程；所述的训练阶段过程的具体步骤为：步骤1_1：选取Q幅原始的道路场景图像、热图像和对应的分割标签图像构成训练集，将训练集中的第k幅原始的道路场景图像记为热图像记为对应的分割标签图像记为步骤1_2：构建卷积神经网络：步骤1_3：将训练集中的原始道路场景的各幅道路场景图像及其对应的热图像输入到卷积神经网络中进行训练得到语义分割结果图，将训练完成得到的所有道路场景图像对应获得的语义分割结果图构成的集合记为步骤1_4：计算训练得到的的语义分割结果图构成的集合与所有道路场景图像对应的分割标签图像构成的集合之间的损失函数值，记为步骤1_5：重复执行步骤1_3和步骤1_4进行N次，得到卷积神经网络分类训练模型，并共得到Q×N个损失函数值；然后从Q×N个损失函数值中找出值最小的损失函数值，将最小的损失函数值对应的权值矢量和偏置项对应作为卷积神经网络分类训练模型的最优权值矢量Wbest和最优偏置项Bbest；所述的测试阶段过程的具体步骤为：将待分割的原始道路场景图像的R通道分量、G通道分量和B通道分量输入到卷积神经网络训练模型中，并利用最优权值矢量Wbest和最优偏置项Bbest进行预测，得到待分割的原始道路场景图像的显著性检测图像显著性检测图像中具有道路场景的分割结果。

全文数据：

权利要求：

百度查询： 浙江科技学院 复杂环境下的多模态特征融合道路场景语义分割方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD