(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 202210380971.8 (22)申请日 2022.04.11 (71)申请人 苏州大学 地址 215006 江苏省苏州市十 梓街1号 申请人 苏州市轨道交通 集团有限公司 (72)发明人 汪一鸣　盛洁　张瑾　吴澄　 王远鹏　刘远航　金铭　谭琼亮　 乔立国　 (74)专利代理 机构 北京盛询知识产权代理有限 公司 11901 专利代理师 袁善民 (51)Int.Cl. G06V 20/58(2022.01) G06V 10/80(2022.01) G06K 9/62(2022.01)G06N 3/04(2006.01) (54)发明名称 一种基于BiSeNet的轨道交通道路识别优化 方法 (57)摘要 本发明公开了一种基于BiSeNet的轨道交通 道路识别优化方法， 包括： S1.对初始图形进行特 征提取， 获取特征图矩阵并进行批处理标准化和 单侧抑制； S2.对S1进行迭代， 获得第一处理结 果； S3.对初始图形进行上下文信息提取， 获取第 一图形矩阵和第二图形矩阵； S4.分别对第一图 形矩阵和第二图形矩阵进行细化处理， 获得第一 图形矩阵函数和第二图形矩阵函数； S5.将第一 处理结果和第一图形矩 阵和第二图形矩 阵进行 结合计算， 获取第二处理结果； S6.对第二处理结 果进行8倍上采样获得最终路径语义分析结果。 本发明易于实施， 适用于轨道交通无人化运行与 道路语义 分割， 有助于节约成本， 提高生产效率， 增加列车运行效率与安全性。 权利要求书2页 说明书5页 附图1页 CN 114821524 A 2022.07.29 CN 114821524 A 1.一种基于BiSeNet的轨道交通道路识别优化方法， 其特 征在于， 包括以下步骤： S1.对初始图形进行特征提取， 获取特征图矩阵， 对所述特征图矩阵进行批处理标准化 和单侧抑制； S2.对所述S1进行迭代， 获得第一处 理结果； S3.对所述初始图形进行 上下文信息提取， 获取第一图形矩阵和第二图形矩阵； S4.分别对所述第一图形矩阵和所述第二图形矩阵进行细化处理， 获得第一图形矩阵 函数和第二图形矩阵函数； S5.将所述第一处理结果和所述第一图形矩阵和第二图形矩阵进行结合计算， 获取第 二处理结果； S6.对所述第二处 理结果进行8倍上采样获得最终路径语义分析 结果。 2.根据权利要求1所述的方法， 其特征在于， 所述S1中的对初始图形进行特征提取， 获 取特征图矩阵的过程中包括： 对所述初始图形进行步幅为2的卷积， 获得 所述特征图矩阵。 3.根据权利要求1所述的方法， 其特征在于， 所述S1中的对所述特征图矩阵进行批处理 标准化和单侧抑制的过程中包括： 对所述特 征图矩阵进行批处 理标准化， 获得标准化结果； 对所述标准 化结果进行 单侧抑制。 4.根据权利要求3所述的方法， 其特征在于， 对所述特征图矩阵进行批处理标准化， 获 得标准化结果的过程中， 采用了如下公式进行批处 理标准化： 其中xi为上一步中得到的特征图矩阵F(x,y)中的每一个 特征值复制t个 所得到的样本， 其中t是我们设置的训练集样本数量， 所以m为F(x,y)中的特征值个数乘以t； b是输入的数 据集合； μb为样本均值； 为样本方差； 则为样本的数据标准化结果； yi是对数据标准化 结果进行平移和缩放， m为输入数据集合b的参数总数， γ为扩展参量， β 为平移参量， BNγ, β (xi)表示反标准 化工序的函数。 5.根据权利要求1所述的方法， 其特征在于， 所述S3 中的对所述初始图形进行上下文信 息提取， 获取第一图形矩阵和第二图形矩阵的过程中包括： 预处理， 对所述初始图形进行4 倍下采样以及8倍下采样， 获得 预处理图形； 对所述预处 理图形进行16倍下采样， 获得 所述第一图形矩阵；权　利　要　求　书 1/2 页 2 CN 114821524 A 2对所述预处 理图形进行32倍下采样， 获得 所述第二图形矩阵。 6.根据权利要求1所述的方法， 其特征在于， 所述S4中的分别对所述第 一图形矩阵和所 述第二图形矩阵进行细化处理， 获得第一图形矩阵函数和第二图形矩阵函数的过程中包 括： 分别对所述第 一图形矩阵和所述第 二图形矩阵进行全局池化， 获得第 一图像矩阵池化 结果和第二图像矩阵池化结果； 分别对所述第一图像矩阵池化结果和所述第二图像矩阵池化结果进行矩阵卷积及批 处理标准化； 基于激活函数对经过所述矩阵卷积和所述批处理标准化的所述第一图像矩阵池化结 果和所述第二图像矩阵池化结果进行激活， 分别获得第一图形矩阵函数和 第二图形矩阵函 数。 7.根据权利要求6所述的方法， 其特征在于， 分别对所述第 一图像矩阵池化结果和所述 第二图像矩阵池化结果进 行矩阵卷积及批处理标准化的过程中， 所述批处理标准化的处理 方式和S1中的所述批处 理标准化的处理方式相同。 8.根据权利要求1所述的方法， 其特征在于， 所述S5 中的将所述第一处理结果和所述第 一图形矩阵和第二图形矩阵进行结合计算， 获取第二处理结果的过程中， 基于以下公式进 行结合计算： 其中Xi是前置网络中希望融合的特征图， 表示对特征图进行下采样方法的选择， 以 让特征图大小一致； 是选择对图片大小一致的特征图进行串接或者同位元素对应相乘， 在特征图大小相同时使用同位元素对应相乘的方法， 否则使用串接的方法进行连接； 则 是利用得到的特征重构一组预测层， Xf代表中间变量， loc， class代表获得的分类， 代表 提供的特征图预测目标检测的方法， X'p代表经过预测层算法得到的中间变量， 代表需要 进行融合的源特 征图的集 合， 代表经过串接后的数据集 合。权　利　要　求　书 2/2 页 3 CN 114821524 A 3