一种基于注意力机制的盲道语义分割方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114463541A(43)申请公布日2022.05.10(21)申请号202111574053.0G06K9/62(2022.01)(22)申请日2021.12.21G06N3/04(2006.01)G06N3/08(2006.01)(71)申请人太原科技大学地址030000山西省太原市万柏林区瓦流路66号(72)发明人李林娟谢刚田娟聂晓音张浩雪张兆祥(74)专利代理机构北京中政联科专利代理事务所(普通合伙)11489专利代理师张春慧(51)Int.Cl.G06V10/26(2022.01)G06V10/764(2022.01)G06V10/774(2022.01)G06V10/82(2022.01)权利要求书2页说明书4页附图1页(54)发明名称一种基于注意力机制的盲道语义分割方法(57)摘要本发明涉及图像分割领域，具体为一种基于注意力机制的盲道语义分割方法，包括以下具体步骤：S1、获取数据，获得盲道语义分割数据集C；其中，盲道语义分割数据集包括训练集和验证集；S2、建立基于注意力机制的盲道语义分割网络；S3、利用训练集中的图像数据训练盲道语义分割网络，得到盲道语义分割网络模型；S4、将需要分割的图像，输入盲道语义分割网络模型中，输出语义分割效果图。本发明提供的盲道语义分割方法能有效地提高了分割网络的特征表达能力，改善了网络的性能，提高了盲道语义分割的准确度。CN114463541ACN114463541A权利要求书1/2页1.一种基于注意力机制的盲道语义分割方法，其特征在于，包括以下具体步骤：S1、获取数据，获得盲道语义分割数据集C；其中，盲道语义分割数据集包括训练集和验证集；S2、建立基于注意力机制的盲道语义分割网络；S3、利用训练集中的图像数据训练盲道语义分割网络，得到盲道语义分割网络模型；S4、将需要分割的图像，输入盲道语义分割网络模型中，输出语义分割效果图。2.根据权利要求1所述的一种基于注意力机制的盲道语义分割方法，其特征在于，S1中获取数据的方法为：S11、拍摄不同时间段以及不同光照条件下街道中盲道场景获得的图像信息，得到图像数据集A；S12、对图像数据集A中的每张图像一一进行预处理，得到具有N张初始图像的图像数据集B，其中，N≥500；S13、采用图像标注软件对N张初始图像一一进行精细的语义标签标注以及利用数据增强方法对N张初始图像进行处理，得到具有M张图像的盲道语义分割数据集C，其中，M≥2000；S14、将盲道语义分割数据集C中的M张图像分为两类，分别得到训练集和验证集。3.根据权利要求2所述的一种基于注意力机制的盲道语义分割方法，其特征在于，数据增强方法对N张初始图像进行处理的方式是抽取40％的图像进行随机左右翻转、裁剪、缩放、增加明亮度和增加对比度操作。4.根据权利要求2所述的一种基于注意力机制的盲道语义分割方法，其特征在于，M张图像按照X:Y的比例分别划分为训练集和验证集，其中，6≤X≤8；2≤Y≤4，X+Y＝10。5.根据权利要求2所述的一种基于注意力机制的盲道语义分割方法，其特征在于，盲道语义分割数据集C中数据类型包括盲道、斑马线、行人、自行车和背景。6.根据权利要求1所述的一种基于注意力机制的盲道语义分割方法，其特征在于，S2中盲道语义分割网络包括主干网络、注意力模块增强层和融合模块；其中，主干网络采用轻量化网络ResNet18；注意力增强层由3个通道注意力模块组成；通道注意力模块由最大池化分支和平均池化分支组成；最大池化分支由最大池化层、2个1*1卷积层和输入图像经过该分支产生特征向量Vmax；平均池化分支由平均池化层、2个1*1卷积层和输入图像经过该分支产生特征向量Vavg；设置可训练的参数μ自适应调节特征向量Vmax和Vavg，并进行加权求和得到融合特征向量V：V＝μVmax+(1‑μ)Vavg，把V送入Sigmiod函数后，得到通道注意力向量T，在计算得到通道注意力模块输出Y：7.根据权利要求1所述的一种基于注意力机制的盲道语义分割方法，其特征在于，S3中训练盲道语义分割网络的方法包括以下步骤：S31、设置训练参数2CN114463541A权利要求书2/2页批次输入图像数量BatchSize＝16；迭代次数epoch＝100；优化器选择Adam；初始学习率n＝0.0001；损失函数选用交叉熵；S32、将训练集图像按批次送入构建好的盲道分割模型中，每隔5个迭代次数用验证集检验网络训练效果。当训练满足终止条件和到达最大迭代次数时，终止训练。3CN114463541A说明书1/4页一种基于注意力机制的盲道语义分割方法技术领域[0001]本发明涉及图像分割领域，具体为一种基于注意力机制的盲道语义分割方法。背景技术[0002]盲道