专利汇可以提供一种基于多任务网络的交通场景解析方法专利检索,专利查询,专利分析的服务。并且本 发明 公开了一种基于多任务网络的交通场景解析方法,包括以下步骤:将多任务网络划分为 编码器 、分割 解码器 和检测解码器。编码器提取图像的特征并提取特征图中的多尺度信息;分割解码器扩大特征图的尺寸,并与特征图进行融合;检测解码器对输入特征图进行处理,输出对应的目标检测结果。使用 深度学习 框架 Tensorflow对上述多任务网络进行配置、训练和测试。本发明的多任务网络可以提取丰富的图像特征,弥补了编码器中下 采样 带来的图像细节信息的丢失,有助于提高分割和检测效果。本发明设计了一种多任务网络结构,能够通过一次反向传播实现交通场景图像的语义分割和目标检测,具有较好的实时性和较高的精确率。,下面是一种基于多任务网络的交通场景解析方法专利的具体信息内容。
1.一种基于多任务网络的交通场景解析方法,其特征在于:包括以下步骤:
A、多任务网络结构设计
多任务网络包括编码器、分割解码器和检测解码器;所述的编码器包含卷积层和下采样层,所述的卷积层采用深度残差网络中的三层残差学习单元,用来从原始图像提取特征信息,得到特征图;所述的下采样层的卷积核大小为3×3、步长为2,用来缩小特征图的尺寸;在编码器的最后,包含一个空间金字塔池化层,用来提取特征图中不同尺度的信息;编码器输出的特征图作为分割解码器和检测解码器的输入;所述的分割解码器为多尺度结构,首先通过多级的双线性差值方法对输入特征图进行上采样,扩大特征图的尺寸,然后采用1×1卷积核对编码器中不同尺寸的特征图执行卷积操作,并将输出特征图与分割解码器中上采样后的对应大小的特征图进行相加,以此来弥补编码器中下采样层带来的图像细节丢失的问题;所述的检测解码器基于回归的方法,对输入特征图进行处理,输出对应的目标检测结果;
B、多任务网络的训练
使用深度学习框架Tensorflow对上述多任务网络进行配置、训练和测试;网络训练的目标函数定义为分割解码器和检测解码器的损失函数之和,采用交叉熵损失函数作为分割解码器的损失函数,且仅利用分割解码器最后一层输出的特征图来计算损失值,公式如下:
式中,LS是损失值,q是标签,p是预测值,C是类别数量,N是训练批次中的样本数量,i表示第i个类别;检测解码器的损失函数定义为置信度的交叉熵损失函数和边界框坐标的L1损失函数的总和,公式如下:
式中(x,y)是边界框的中心点坐标,Lb是损失值,q是标签,p是预测值,N是一个训练批次中的样本数量,w和h分别是边界框的高和宽,i表示第i个类别;
在反向传播阶段,利用适应性阶梯算法即Adam优化器对多任务网络权重进行优化;
Adam优化器是一种基于梯度下降的方法,使用梯度一阶矩估计和二阶矩估计来动态调整每个参数的学习速率;训练时,采用小批量梯度下降的方法,小批量值设置为3-5,学习率设置为0.00005-0.00015;采用L2正则化方法,正则化系数设置为0.0003-0.0007;
采用KITTI道路基准数据集和KITTI目标基准数据集对多任务网络进行训练和测试。
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
基于时域卷积网络与循环神经网络融合的手语视频翻译方法 | 2020-08-28 | 3 |
一种计步方法、装置、设备和存储介质 | 2021-06-17 | 0 |
一种基于层次卷积网络的实体与段落链接方法 | 2021-10-05 | 4 |
激光雷达与卫星导航融合的目标在线定位方法 | 2020-05-31 | 4 |
一种基于卷积神经网络的同类前景图像集分割方法 | 2021-01-08 | 0 |
基于深度卷积网络的遥感图像超分辨重建方法及系统 | 2021-12-15 | 3 |
一种基于空间变换的对抗样本增强方法和模型 | 2020-08-27 | 3 |
一种同步碎石封层车沥青碎石撒布智能控制方法及装置 | 2022-07-17 | 0 |
一种针对橡胶坝的位移和姿态的分析方法 | 2022-02-02 | 4 |
一种砷化镓单晶生长装置及生长方法 | 2020-08-25 | 4 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。