1.一种基于残差神经网络的道路提取方法,包括以下步骤:
步骤1:基于残差神经网络,同时结合空洞卷积模块,提取更高维的特征信息;
步骤2:采用多尺度特征融合的方法,学习更多低维和高维的特征,从而分割出准确的道路结构。
2.根据权利要求1所述的基于残差神经网络的道路提取方法,其特征在于:步骤1中,采用ResNet34作为预训练编码器,接收的图像尺寸设置为500×500,网络深度设置为五层,开始输入的特征维度为500×500×3,第一层使用7×7Convolution操作,得到特征维度输出
256×256×64,剩下的每一层都要经过Max Pooling和Res-block操作;第二层经过Max Pooling和3个ResNet-block操作得到特征维度输出128×128×64,第三层经过Max Pooling和4个ResNet-block得到特征维度输出64×64×128,第四层经过Max Pooling和6个ResNet-block得到特征维度输出32×32×256,第五层经过Max Pooling操作得到16×16×512的特征维度输出;对于后四层的输出结果将经过Skip Connection与同层的解码器部分相连接,进行多尺度的特征融合,得到不同维度的语义信息。
3.根据权利要求1所述的基于残差神经网络的道路提取方法,其特征在于:步骤1中,所述空洞卷积模块包含五个并联分支,其中全局池化分支,没有进行卷积操作,不改变感受野的大小;其余四个分支空洞卷积率将逐次增加,每条分支空洞卷积率分别设置为1、2、4、8;
感受野的计算公式为:
S=k+(k-1)(n-1) (1)
其中,k表示卷积核大小,默认设置为3,n表示空洞卷积率。
4.根据权利要求1所述的基于残差神经网络的道路提取方法,其特征在于:步骤1中,选择双线性插值的方法恢复解码器中更高维度的特征;解码器模块包括1×1Convolution、Bilinear-Interpolation、1×1Convolution,三部分进行串联作用于整个解码部分。
5.根据权利要求1-4任意一项所述的基于残差神经网络的道路提取方法,其特征在于:步骤2中,所述采用多尺度特征融合的方法,每层编码器对图像中的道路特征进行编码,经过编码后的特征通过跳连传递到同层的解码器进行特征融合,该层的解码器还将接收上一层的解码器传递进来的特征,用于减少特征损失,提高道路获取的准确率;除此之外,采用损失函数应用在第五层解码器之后,用于反映道路获取模型的好坏,训练损失越小就表示预测结果越接近真实的标签图片;所述损失函数分为两部分,分别为BCEL和DCL,两者之和作为训练的总损失;
BCEL损失函数定义为:
其中,Prei表示第i张预测图像,GTi表示第i张标签图片,gti,j表示GT图像第i,j位置的像素值,Prei,j表示预测图片Pre第i,j位置的像素值,W表示图片的宽度,H表示图片的高度;
DCL损失函数定义味:
其中,Prei表示第i张预测图片,GTi表示第i张标签图片,N表示Batch Size;
总的损失函数Loss为:
Loss=DCL+BCEL (4)。