专利交易市场

本发明公开了一种基于语义分割网络的动态场景视觉SLAM优化方法。该方法包括，1：通过相机采集彩图和深度图；2：通过语义分割网络去除先验动态物体的影响；3：通过轻量化追踪模块估计当前帧位姿；4：通过改进的多视角几何算法滤除非先验动态物体。5：多视角几何检测结果与LR‑ASPP的检测结果进行相互验证，得到完整的动态区域，过滤掉动态区域上的ORB特征点后进入跟踪线程，跟踪线程产生关键帧。6：根据关键帧的相关数据构建动态场景下的八叉树地图。本发明充分利用了语义分割网络输出的语义信息基础，减少了区域生长算法的使用，提高了系统的运行速度，并且根据关键帧构建可复用的八叉树地图，减小内存占用，提高了地图查找效率。

本发明公开了基于语义分割场景的示例搜索方法，以解决对图片区域的近似搜索问题并将相似的区域通过哈希技术映射成相同或相似的二进制编码。为提高搜索效率，从大规模图片示例集中随机选取一部分示例作为抽样示例集来度量示例间的相似性，并在马氏距离度量学习时采用计算特征值方法求解最优解。得到距离度量矩阵后，利用哈希编码技术把原始示例映射成k比特的二进制编码，在搜索图片特定标记的近邻时，搜索该标记对应的示例的近邻，比较示例集中示例和该查询示例的汉明距离，小于给定的阈值认定为近似示例，返回近似示例所在的图片。本发明通过搜索近邻示例代替搜索近邻图片，提高了搜索的精确度，解决了传统近似搜索方法不能够定位标记的缺点。

本发明公开的复杂城市街道场景实时语义分割方法，包括采集复杂城市街道场景图像；制作训练集并进行标注获得训练集标签文件；搭建自适应注意力模块；搭建基于自适应注意力的实时语义分割网络；训练实时语义分割网络，得到网络权重值；制作测试集并使用网络权重值对实时语义分割网络进行测试，得到复杂城市街道场景语义分割结果。本发明分割精度高、计算负担小，实现了对复杂城市街道场景的理解，解决了传统分割方法实时性低的问题。仅需较小的计算资源，就可以满足自动驾驶汽车和移动机器人等资源有限的平台在实际应用中的实时性能要求，从而帮助移动设备实现对周围环境的理解。

本发明公开了一种基于语义分割的人脸图像的分割网络的方法，包括：获得图像数据集；构建分割的深度卷积网络结构；用网络结构去训练数据得到训练模型；用验证集进行验证、调参，并选出最优模型；用测试集对选出的最优模型进行测试。本发明通过采用轻量级的模型，采取空间通道和上下文信息通道结合，在原来的空间网络结构上，逐步增加高分辨率到低分辨率的子网，形成更多的阶段，并将多分辨率子网并行连接得到本发明的信息交互模块。再进行了多次多尺度融合，使得每一个高分辨率到低分辨率的表征都从其他并行表示中反复接收信息，从而得到丰富的高分辨率表征。由于采用的是并行连接，能够保持高分辨率的表示，因此，预测在空间上更精确。

本发明涉及一种基于区域上下文关系模块的语义分割方法，属于遥感图像处理领域。该方法包括以下步骤：S1：遥感图像增强；S2：构建RC‑Module；S3：建立基于RC‑Moudle的遥感图像语义分割模型RC‑Net；S4：MIOU检验与评价。RC‑Moudle是语义分割模型中attention机制的一种衍生，可以让模型针对各个区域周边的上下文关系的学习进行一定程度的导向，让模型学习到各个区域之间的相邻关系，从统计学的角度增加用于模型分类的信息量，从而增加语义分割的分类精度。同时RC‑Module是一个即插即用的模块，它可以和任何现有的语义分割模型进行组合，从而提升模型的精度。