CN114627441B 非结构化道路识别网络训练方法、应用方法及存储介质 （武汉理工大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN114627441B(45)授权公告日2025.07.01

(21)申请号202210085609.8

(22)申请日2022.01.25

(65)同一申请的已公布的文献号申请公布号CN114627441A

(43)申请公布日2022.06.14

(73)专利权人武汉理工大学

地址430070湖北省武汉市洪山区珞狮路

GO6V10/764(2022.01)

GO6V10/774(2022.01)

GO6V10/80(2022.01)

GO6V10/26(2022.01)

GO6V10/82(2022.01)

GO6V20/70(2022.01)

GO6N3/0464(2023.01)

GO6N3/045(2023.01)

122号

(72)发明人周斌贾士达

(74)专利代理机构武汉智嘉联合知识产权代理事务所(普通合伙)42231

专利代理师张璐

(56)对比文件

CN109446970CN110414387审查员罗思异

A,2019.03.08

A,2019.11.05

(51)Int.CI.

GO6N3/09(2023.01)

GO6V20/56(2022.01)权利要求书2页说明书14页附图5页

(54)发明名称

非结构化道路识别网络训练方法、应用方法及存储介质

(57)摘要

本发明涉及非结构化道路识别网络训练方法、应用方法及存储介质，包括：获取包含标注信息的图像训练样本集；根据所述实际道路分类标签确定所述非结构化道路识别网络的损失函数的值；根据所述损失函数的值调整所述非结构化道路识别网络的参数至满足收敛条件，确定训练完备的非结构化道路识别网络。本发明通过引入注意力模块和深度可分离卷积模块，对骨干网络和池化网络进行改进，充分提取其多尺度特征信息，改善网络性能，减少网络参数，实现网络轻量化，得到快速、准确对非结构道路进行识别的目

CN

CN114627441B

获取包含标注信息的图像训练样本集，其中，所述标注信息

包括所述图像训练样本集中的每个样本图像像素的实际道路

分类标签

根据所述实际道路分类标签确定所述非结构化道路识别网络

的损失函数的值，其中，所述非结构化道路识别网络包括添

加注意力模块的骨干网络层、添加注意力模块和深度可分离

卷积模块的金字塔池化层

根据所述损失函数的值调整所述非结构化道路识别网络的参数至满足收敛条件，确定训练完备的非结构化道路识别网络

S101

S102

S103

CN114627441B权利要求书1/2页

2

1.一种非结构化道路识别网络训练方法，其特征在于，包括：

获取包含标注信息的图像训练样本集，其中，所述标注信息包括所述图像训练样本集中的每个样本图像像素的实际道路分类标签；

根据所述实际道路分类标签确定所述非结构化道路识别网络的损失函数的值，其中，所述非结构化道路识别网络包括添加注意力模块的骨干网络层、添加注意力模块和深度可分离卷积模块的金字塔池化层；

根据所述损失函数的值调整所述非结构化道路识别网络的参数至满足收敛条件，确定训练完备的非结构化道路识别网络；

所述非结构化道路识别网络的网络结构包括编码器和解码器，所述编码器包括依次连接的输入层、深度卷积神经网络模块、空洞空间卷积池化金字塔模块；所述解码器包括第一解码层、第二解码层、第三解码层和解码融合层；

在所述编码器中，所述深度卷积神经网络模块包括依次连接的第一卷积块注意力模块、第一深度卷积层、第二深度卷积层、第三深度卷积层、第四深度卷积层和第二卷积块注意力模块，其中：

所述第一卷积块注意力模块，用于对所述输入层的输入图像进行空间和通道结合的注意力机制操作，确定第一注意力提取图；

所述第一深度卷积层，用于对所述第一注意力提取图进行深度可分离卷积操作，确定低级特征图；

所述第二深度卷积层，用于对所述低级特征图进行深度可分离卷积操作，确定中级特

征图；

所述第三深度卷积层，用于对所述