R0AD中的数据集作为训练集。
[0081] 设置一个固定大小的滑动窗口，以一定的步长滑动分割所述输入图像及其所对应 的ground truth，将所述输入图像及其所对应的ground truth分别分割为多个不同的 patch；
[0082] 在本发明实施例中，设置一个固定大小的滑动窗口，以一定的步长从左往右、从上 向下滑动分割所述输入图像及其所对应的ground truth，将所述输入图像及其所对应的 ground truth分别分割为多个不同的patch，并将多个不同的patch保存为HDF5格式。
[0083]在本发明实施例中，所述步长是在图像中抠去patch时，以正方形或长方形为中 心，进行移动的距离。根据图像信息确定步长，要求训练集中的正样本多时，步长要短些，采 集的图像会更密集;要求训练集中的负样本多时，步长要长些，采集的图像的信息量会更多 样化。以交通场景中的道路为例，所述正样本是指属于道路类别的样本，所述负样本是指不 属于道路类别的样本。
[0084]为了更好的理解本发明，以训练集为交通道路进行举例说明，ground truth是一 张人工标定的正确道路的二值化图像，ground truth中像素属于道路区域，标记为1，不属 于道路区域，标记为0;训练集包括输入图像及其所对应的ground truth。
[0085]在本发明实施例中，将训练集分割成大量的patch，极大的满足了训练深度神经网 络系统需要大量样本的需求，也为少样本训练方法提供了大量的少样本训练集；同时， patch是将大分辨率的图像分割为小分辨率的图像，提高了深度神经网络系统的运算速度。 [0086]根据所述输入图像的patch的像素，在所述输入图像的patch所对应的所述ground truth的patch上进行像素标记；
[0087] 对所述输入图像的patch和所述ground truth的patch进行尺度归一化。
[0088] 在发明实施例中，所述输入图像的patch和像素标记后的ground truth的patch进 行尺度归一化，以提高深度学习网络的训练速度。
[0089]在步骤S402中，将所述多个不同的patch转换为包括多个不同尺度的图像的图像 集；
[0090] 在本发明实施例中，将包括多个不同尺度的图像的图像集保存为HDF5格式。
[0091] 进一步的，所述将所述多个不同的patch转换为包括多个不同尺度的图像的图像 集，具体包括：
[0092] 将所述多个不同的patch通过拉普拉斯金字塔转换算法为包括多个不同尺度的图 像的图像集，以交通道路为例，可根据道路的复杂情况进行尺度的增加，过于复杂的道路默 认为4个尺度。
[0093] 所述拉普拉斯金字塔转换算法具体包括：
[0094] 对所述patch建立高斯金字塔，所述高斯金字塔是按照二次幂进行低通滤波作平 滑处理，将低通滤波后的图像作带通滤波，生成多个尺度的图像。具体实现方法参见实施例 一的描述，在此不再累述。
[0095]在步骤S403中，根据转换后的输入图像的patch的多个不同尺度的图像的像素，调 整对应尺度的转换后的ground truth的patch的多个不同尺度的图像上的像素标记，其中， 所述ground truth的patch是所述输入图像的patch对应的ground truth的patch;
[0096] 在本发明实施例中，将输入图像的patch的多个不同尺度的图像和调整像素标记 后的ground truth的patch的多个不同尺度的图像保存为HDF5格式。
[0097] 在本发明实施例中，输入图像的patch在尺度改变过程中可能会丢失像素，需要对 尺度变换后的图像中的像素进行重新标定。
[0098]在步骤S404中，对所述图像集进行尺度归一化，并将归一化后的图像集输入至深 度神经网络系统，以训练所述深度神经网络系统。
[0099]在本发明实施例中，训练所述深度神经网络系统是用于确定所述深度神经网络系 统的参数，所述深度神经网络系统可以为卷积神经网络和/或反卷积神经网络。
[0100]通过本发明实施例训练深度神经网络系统，确定所述深度神经网络系统的参数， 提高了深度学习训练中局部特征提取的精度。
[0101] 实施例三:
[0102] 图5示出了本发明实施例三提供的深度学习网络的训练方法的实现流程，所述实 现流程详述如下：
[0103] 在步骤S501中，将训练集中的图像分割为多个不同的patch;
[0104] 在本发明实施例中，所述patch是在训练集中的图像中抠出的任意大小的图像区 域，所述patch的大小必须小于所述图像，较佳的是，所述patch可以为正方形或长方形。所 述训练集包括输入图像和所述输入图像对应的ground truth，所述ground truth是一张人 工标定的像素标记。如图2是将训练集中的输入图像分割为大小相同，图像信息不同的mXn 个口3七(：11，；^,1(1)，；^,1^)，；^,1(1)，；^,1^)分别是位于输入图像的四个角落的口3七(311。
[0105] 在本发明实施例中，可以根据图像的复杂程度选用对应的方法来获取patch，并输 入至卷积神经网络进行训练，具体方法参见实施例一的描述，在此不再累述。
[0106] 进一步的，所述将训练集中的图像分割为多个不同的patch，具体包括：
[0107]获取训练集，所述训练集包括输入图像和所述输入图像对应的ground truth;
[0108] 较佳的是，选用KITTI-R0AD中的数据集作为训练集。
[0109] 设置一个固定大小的滑动窗口，以一定的步长滑动分割所述输入图像及其所对应 的ground truth，将所述输入图像及其所对应的ground truth分别分割为多个不同的 patch；
[0110] 在本发明实施例中，设置一个固定大小的滑动窗口，以一定的步长从左往右、从上 向下滑动分割所述输入图像及其所对应的ground truth，将所述输入图像及其所对应的 ground truth分别分割为多个不同的patch，并将多个不同的patch保存为HDF5格式。
[0111]在本发明实施例中，所述步长是在图像中抠去patch时，以正方形或长方形为中 心，进行移动的距离。根据图像信息确定步长，要求训练集中的正样本多时，步长要短些，采 集的图像会更密集;要求训练集中的负样本多时，步长要长些，采集的图像的信息量会更多 样化。以交通场景中的道路为例，所述正样本是指属于道路类别的样本，所述负样本是指不 属于道路类别的样本。
[0112]为了更好的理解本发明，以训练集为交通道路进行举例说明，ground truth是一 张人工标定的正确道路的二值化图像，ground truth中像素属于道路区域，标记为1，不属 于道路区域，标记为0;训练集包括输入图像及其所对应的ground truth。
[0113]在本发明实施例中，将训练集分割成大量的patch，极大的满足了训练深度神经网 络系统需要大量样本的需求，也为少样本训练方法提供了大量的少样本训练集；同时， patch是将大分辨率的图像分割为小分辨率的图像，提高了深度神经网络系统的运算速度。 [0 114]根据所述输入图像的patch的像素，在所述输入图像的patch所对应的所述ground truth的patch上进行像素标记；
[0115] 对所述输入图像的patch和所述ground truth的patch进行尺度归一化。
[0116] 在发明实施例中，所述输入图像的patch和像素标记后的ground truth的patch进 行尺度归一化，以提高深度学习网络的训练速度。
[0117]在步骤S502中，将所述多个不同的patch转换为包括多个不同尺度的图像的图像 集；
[0118] 在本发明实施例中，将包括多个不同尺度的图像的图像集保存为HDF5格式。
[0119] 进一步的，所述将所述多个不同的patch转换为包括多个不同尺度的图像的图像 集，具体包括：
[0120] 将所述多个不同的patch通过拉普拉斯金字塔转换算法为包括多个不同尺度的图 像的图像集，以交通道路为例，可根据道路的复杂情况进行尺度的增加，过于复杂的道路默 认为4个尺度。
[0121 ]所述拉普拉斯金字塔转换算法具体包括