基于密集连接带孔卷积网络的初级特征提取器及提取方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111191674A(43)申请公布日2020.05.22(21)申请号201911208300.8(22)申请日2019.11.30(71)申请人北京林业大学地址100083北京市海淀区清华东路35号(72)发明人田萱王亮孟祥光(74)专利代理机构北京华智则铭知识产权代理有限公司11573代理人姜子朋(51)Int.Cl.G06K9/62(2006.01)G06N3/04(2006.01)G06T7/10(2017.01)G06T9/00(2006.01)权利要求书2页说明书11页附图5页(54)发明名称基于密集连接带孔卷积网络的初级特征提取器及提取方法(57)摘要本发明属于图像信息处理技术领域，公开了一种基于密集连接带孔卷积网络的初级特征提取器及提取方法，初级特征解码器由多个不同卷积核的反卷积层组成，输出的特征图由多个反卷积层进行处理；特征结合层：由kernel为1×1、stride为1卷积层构成，进行降维处理；特征还原器由多个不同卷积核的反卷积层组成。本发明以DenseNet的密集连接方式连接带孔卷积并以此来构建DenseAtrousCNet的网络结构，能够同时获得带孔卷积和DenseNet的优势，既保留了传统神经网络的优点，又能够捕获更多的稠密特征，提升图像语义信息的利用率，而实现真正意义上的端到端的图像语义分割。CN111191674ACN111191674A权利要求书1/2页1.一种基于密集连接带孔卷积网络的初级特征提取器，其特征在于，所述基于密集连接带孔卷积网络的初级特征提取器包括解码器模块，所述解码器模块使用多个反卷积层进行特征解码，包括初级特征解码器、特征结合层和特征还原器；所述初级特征解码器由多个不同卷积核的反卷积层组成，输出的大小为32×32的特征图由多个反卷积层进行处理；所述特征结合层：由kernel为1×1、stride为1卷积层构成，进行降维处理；所述特征还原器由多个不同卷积核的反卷积层组成；特征结合层所输出的特征图经过特征还原器中的多个反卷积层进行反卷积操作，对特征图进行4倍上采样处理。2.如权利要求1所述的基于密集连接带孔卷积网络的初级特征提取器，其特征在于，初级特征解码器达到4倍上采样效果后，特征图的分辨率变为128×128。3.如权利要求1所述的基于密集连接带孔卷积网络的初级特征提取器，其特征在于，所述特征结合层结合不同的特征图；编码器中的初级特征提取器所输出的特征图与解码器中的初级特征解码器所输出的特征图进行特征结合，组合后的特征图分辨率为128×128。4.如权利要求1所述的基于密集连接带孔卷积网络的初级特征提取器，其特征在于，所述特征还原器对特征图进行4倍上采样处理后，特征图分辨率恢复为512×512，得到最终的分割结果。5.如权利要求1所述的基于密集连接带孔卷积网络的初级特征提取器，其特征在于，所述基于密集连接带孔卷积网络的初级特征提取器还通过网络信号连接解码器模块，所述编码器模块包括：初级特征提取器，使用DenseAtrousCNet作为初级特征提取器；特征再编码器，提取出图像的稠密特征并对特征图进行4倍下采样处理；特征组合层，用于两条并行网络路线输出的特征图进行特征组合，组合后的特征图将被送入解码器模块进行特征解码。6.如权利要求5所述的基于密集连接带孔卷积网络的初级特征提取器，其特征在于，初级特征提取器由多个串联的DenseBlock组成，每个DenseBlock以密集连接方式对多个带孔卷积进行连接，DenseAtrousCNet提取出初级图像特征并对原始图像进行4倍下采样处理，经过DenseAtrousCNet后特征图分辨率变为128×128。7.如权利要求6所述的基于密集连接带孔卷积网络的初级特征提取器，其特征在于，特征再编码器由两条并行的网络线路组成，一条网络路线由“一个kernel为3×3、stride为2、padding为0的带孔卷积”和“一个DenseGobalASPP”组成，提取出图像的稠密特征并对特征图进行4倍下采样处理，特征图被处理后分辨率变为32×32；另一条网络路线由两个串联DenseGobalASPP组成，提取出图像的稠密特征并对特征图进行4倍下采样处理，特征图被处理后分辨率同样也变为32×32。8.一种如权利要求1所述基于密集连接带孔卷积网络的初级特征提取器的数据处理方法，其特征在于，所述数据处理方法包括：初级特征解码器输出的大小为32×32的特征图由多个反卷积层进行处理；由kernel为1×1、stride为1卷积层构成的特征结合层，进行降维处理；由多个不同卷积核的反卷积层组成特征还原器对特征结合层所输出的特征图经过多个反卷积层进行反卷积操作，对特征图进行4倍上采样处理。2