(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210205004.8 (22)申请日 2022.03.02 (71)申请人 北京交通大 学 地址 100044 北京市海淀区西直门外上园 村3号 (72)发明人 秦勇　高阳　曹志威　李永玲　 寇淋淋　楚柏青　傅兵　袁若岑　 白文飞　 (74)专利代理 机构 北京市商 泰律师事务所 11255 专利代理师 黄晓军 (51)Int.Cl. G06V 20/54(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01)G06V 10/764(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于深度学习卷积神经网络的轨道区 域识别方法 (57)摘要 本发明提供了一种基于深度学习卷积神经 网络的轨道区域识别方法。 该方法包括： 获取不 同场景下含轨道区域的 图像， 组成轨道图像数据 集； 构建轨道区域识别网络模型， 该轨道区域识 别网络模型包括多个卷积层和上采样层， 利用轨 道图像数据集对轨道区域识别网络模型进行训 练， 得到训练好的轨道区域识别网络模型； 使用 训练好的轨道区域识别网络模型对待识别场景 下的轨道区域进行识别， 得到待识别场景下的轨 道区域的识别结果。 本发明方法在深度残差卷积 神经网络 可以更加有效地提取到图像特征， 深层 特征与浅层特征的融合使得提取的轨道边界更 加清晰， 轻量化模型的运行环境更加具有普适 性， 适用于不同场景和不同尺 寸下的轨道区域场 景图像。 权利要求书2页 说明书6页 附图4页 CN 114581861 A 2022.06.03 CN 114581861 A 1.一种基于深度学习卷积神经网络的轨道区域识别方法， 其特 征在于， 包括： 获取不同场景 下含轨道区域的图像， 组成轨道图像数据集； 构建轨道区域识别网络模型， 该轨道区域识别网络模型包括多个卷积层和上采样层， 利用所述轨道图像数据集对所述轨道区域识别网络模型进 行训练， 得到训练好的轨道区域 识别网络模型； 使用训练好的轨道区域识别网络模型对待识别场景下的轨道区域进行识别， 得到所述 待识别场景 下的轨道区域的识别结果。 2.根据权利要求1所述的方法， 其特征在于， 所述轨道区域识别网络模型包括64个卷积 层和8个上采样 操作， 64个卷积层包括10个单一卷积层和18个残差块。 3.根据权利要求1或者2所述的方法， 其特征在于， 所述的利用所述轨道图像数据集对 所述轨道区域识别网络模型进行训练， 得到训练好的轨道区域识别网络模型， 包括： 步骤2.1， 将轨道图像数据集输入到轨道区域识别网络模型， 使用3*3的卷积核对轨道 图像数据集中含有轨道区域的图像进行卷积运算， 该卷积运算的步长为2， 通道数为32， 得 到第一层的输出 结果F1； 步骤2.2， 将第一层的输出结果F1输入含有18个大小不同的卷积核所构成的残差块组 Group1， 得到 两个输出 结果skip1和result 2； 步骤2.3， 将skip1输入1*1的卷积层， 该卷积层的步长为1， 通道数为256， 得到输出结果 步骤2.4， 将输出结果 输入含有4个深度可分离卷积层和1个池化层的卷积组Group2， 分别得到结果 和 步骤2.5， 通过基于PyTorch的连接函数1将 和 进行连接， 并将连接 结果输入1*1的卷积层， 该卷积层的步长为1， 通道数为256， 得到输出结果F3， 所述基于 PyTorch的连接函数1如下 所示： 步骤2.6， 将输出 结果F3进行4次上采样， 得到 输出结果F4； 步骤2.7， 通过基于PyTorch的连接函数2将F4和 进行连接， 并将连接结果输入2个3*3 步长为1的卷积层， 对 所述2个3*3卷积层的输出进 行4次上采样后输入1*1卷积层， 得到输出 结果F5， 所述基于PyTorc h的连接函数2如下 所示： 步骤2.8， 使用损失函数softmax对输 出结果F5进行激活， 得到训练好的轨道区域识别网 络模型。 4.根据权利要求3所述的方法， 其特征在于， 所述的残差块组Group1含有18个残差块， 每个残差块包 含3个卷积层， 两个归一 化函数， 两个ReLU6 激活函数； Group1的18个残差块中包括10种类型残差块， 包含两个1*1卷积层， 一个3*3深度能够 分离卷积层， 通道数分别为16、 24、 24、 32、 32、 64、 64、 96、 160和320， 步长为1、 2、 1、 2、 1、 1/2、 1、 1、 1和1。 5.根据权利要求3所述的方法， 其特征在于， 所述的卷积组Group2的卷积核分别是1*1、权　利　要　求　书 1/2 页 2 CN 114581861 A 23*3、 3*3和3*3， 空洞率rate分别是1、 6、 12和18。 6.根据权利要求3所述的方法， 其特征在于， 所述的损失函数Loss为交叉熵损失函数， 计算公式为： 输入样本共有N个， 一共有C个类别， 某一个样本i的真实分类用yi表示， yi是C个类别中 的某一类， 而预测分类用向量表示h＝(h1,h2,...,hC)， 该样本的预测分类用hi表示。权　利　要　求　书 2/2 页 3 CN 114581861 A 3