【技術實現步驟摘要】
本專利技術涉及機器學習，尤其涉及一種圖像語義分割模型的訓練方法、裝置、計算機設備和存儲介質。
技術介紹
1、語義分割作為深度學習和機器學習下轄子任務之一，在自動駕駛、醫學疾病檢測等領域具有重要應用場景，是計算機視覺識別任務中的一個重要研究課題。圖像語義分割是在像素級別上進行分類，屬于同一類的像素都要被歸為一類。例如，如果在一張照片中，屬于摩托車的像素被劃分為一類，除此之外所有屬于背景的像素也被劃分為一類。因此該問題需要捕獲像素之間的差異，充分挖掘像素之間的判別性特征和語義關系。
2、圖像語義分割圖像識別主要存在以下三個方面的問題：(1)圖像的場景模式和背景環境復雜，像素點間關系緊密，難以學習到有判別力的特征和語義關系。(2)圖像的標簽需要人工逐像素手動標注，導致構造大型訓練數據庫費時費力。(3)需要識別的類別數過多，使得很難分辨出某些不尋常類別。
3、現有的方法主要通過以下三個方面達到逐像素識別的目的：(1)基于滑動窗口的網絡進行逐像素識別與分割。(2)先通過編碼器結構學習判別力特征，再通過解碼器解耦。(3)引入高分辨率信息，結合全局特征與局部特征實現語義分割。
技術實現思路
1、本專利技術提供一種圖像語義分割模型的訓練方法、裝置、計算機設備和存儲介質。
2、第一方面，提供了一種圖像語義分割模型的訓練方法，所述訓練方法包括：
3、獲取訓練圖像訓練集，所述訓練圖像訓練集中的訓練圖像包含標注信息；
4、將所述訓練圖像訓練集中的
5、確定所述編碼模塊輸出的高階特征的數量達到第一預設數量時，對所述編碼模塊輸出的當前批次的高階特征進行增強處理，其中，根據所述當前批次的高階與當前批次之前的第二預設數量的高階特征的語義關系對所述當前批次的高階進行增強處理；
6、將增強后的當前批次的高階特征輸入所述待訓練圖像語義分割模型的解碼模塊，所述解碼模塊輸出當前批次的訓練圖像的語義分割結果；
7、根據所述語義分割結果，對所述待訓練圖像語義分割模型進行訓練。
8、在一些實施例中，所述待訓練圖像語義分割模型還包括上下文注意力模塊，所述根據所述當前批次的高階與所述當前批次之前的第二預設數量的高階特征的語義關系對所述當前批次的高階進行增強處理，包括：
9、通過所述上下文注意力模塊計算當前批次的各訓練圖像的各像素點的高階特征與所述當前批次之前的各訓練圖像的各像素點的高階特征的語義關系權重；
10、根據所述語義關系權重，通過加權和對當前批次的所述訓練圖像的各像素點高階進行增強處理，得到所述訓練圖像的增強高階特征。
11、在一些實施例中，在所述根據所述語義關系權重，通過加權和對當前批次的所述訓練圖像的各像素點高階進行增強處理之后，所述將增強后的當前批次的高階特征輸入所述待訓練圖像語義分割模型的解碼模塊之前，還包括：
12、將所述訓練圖像的增強高階特征和所述訓練圖像的高階特征進行融合，得到融合高階特征；
13、所述將增強后的當前批次的高階特征輸入所述待訓練圖像語義分割模型的解碼模塊，包括：
14、將當前批次的所述訓練圖像的所述融合高階特征輸入所述待訓練圖像語義分割模型的解碼模塊。
15、在一些實施例中，所述方法還包括：將所述編碼模塊輸出各批次訓練圖像的高階特征輸入特征記憶模塊進行存儲。
16、在一些實施例中，所述特征記憶模塊是隊列存儲結構，所述訓練圖像的高階特征在所述特征記憶模塊中按照所述高階特征的輸出時間由前至后排序；
17、所述根據所述當前批次的高階與當前批次之前的第二預設數量的高階特征的語義關系對所述當前批次的高階進行增強處理，包括：
18、選擇排在特征記憶模塊末端的所述第二預設數量的高階特征作為目標高階特征；
19、根據所述當前批次的高階與所述目標高階特征的語義關系對所述當前批次的高階進行增強處理。
20、在一些實施例中，所述根據所述語義分割結果，對所述待訓練圖像語義分割模型進行訓練，包括：
21、所述解碼器包括多個卷積層，各卷積層分別輸出各自對應的語義分割結果；
22、根據所有卷積層輸出的語義分割結果對所述待訓練圖像語義分割模型進行訓練。
23、在一些實施例中，所述根據所有卷積層輸出的語義分割結果對所述待訓練圖像語義分割模型進行訓練，包括：
24、計算各卷積層輸出的語義分割結果與訓練圖像的標注信息之間的交叉熵損失函數；
25、根據所有所有卷積層對應的交叉熵損失函數之和對所述待訓練圖像語義分割模型進行訓練。
26、第二方面，提供了一種圖像語義分割模型的訓練裝置，包括：
27、獲取單元，獲取訓練圖像訓練集，所述訓練圖像訓練集中的訓練圖像包含標注信息；
28、編碼單元，用于將所述訓練圖像訓練集中的所述訓練圖像分批次輸入待訓練圖像語義分割模型的編碼模塊，所述編碼模塊輸出各批次訓練圖像的高階特征；
29、增強單元，用于確定所述編碼模塊輸出的高階特征的數量達到第一預設數量時，對所述編碼模塊輸出的當前批次的高階特征進行增強處理，其中，根據所述當前批次的高階與當前批次之前的第二預設數量的高階特征的語義關系對所述當前批次的高階進行增強處理；
30、解碼單元，用于將增強后的當前批次的高階特征輸入所述待訓練圖像語義分割模型的解碼模塊，所述解碼模塊輸出當前批次的訓練圖像的語義分割結果；
31、訓練單元，用于根據所述語義分割結果，對所述待訓練圖像語義分割模型進行訓練。
32、第三方面，提供了一種計算機設備，包括存儲器、處理器以及存儲在存儲器中并可在處理器上運行的計算機程序，處理器執行計算機程序時實現上述圖像語義分割模型的訓練方法的步驟。
33、第四方面，提供了一種計算機可讀存儲介質，計算機可讀存儲介質存儲有計算機程序，計算機程序被處理器執行時實現上述圖像語義分割模型的訓練方法的步驟。
34、上述圖像語義分割模型的訓練方法、裝置、計算機設備及存儲介質所實現的方案中，可以通過獲取訓練圖像訓練集，訓練圖像訓練集中的訓練圖像包含標注信息；將訓練圖像訓練集中的訓練圖像分批次輸入待訓練圖像語義分割模型的編碼模塊，編碼模塊輸出各批次訓練圖像的高階特征；確定編碼模塊輸出的高階特征的數量達到第一預設數量時，對編碼模塊輸出的當前批次的高階特征進行增強處理，其中，根據當前批次的高階與當前批次之前的第二預設數量的高階特征的語義關系對當前批次的高階進行增強處理；將增強后的當前批次的高階特征輸入待訓練圖像語義分割模型的解碼模塊，解碼模塊輸出當前批次的訓練圖像的語義分割結果；根據語義分割結果，對待訓練圖像語義分割模型進行訓練，在本專利技術中，綜合考慮了圖像語義分割類間關系復雜，需要基于物體的區域特征本文檔來自技高網...
【技術保護點】
1.一種圖像語義分割模型的訓練方法，其特征在于，所述訓練方法包括：
2.如權利要求1所述的圖像語義分割模型的訓練方法，其特征在于，所述待訓練圖像語義分割模型還包括上下文注意力模塊，所述根據所述當前批次的高階與所述當前批次之前的第二預設數量的高階特征的語義關系對所述當前批次的高階進行增強處理，包括：
3.如權利要求2所述的圖像語義分割模型的訓練方法，其特征在于，在所述根據所述語義關系權重，通過加權和對當前批次的所述訓練圖像的各像素點高階進行增強處理之后，所述將增強后的當前批次的高階特征輸入所述待訓練圖像語義分割模型的解碼模塊之前，還包括：
4.如權利要求1所述的圖像語義分割模型的訓練方法，其特征在于，所述方法還包括：將所述編碼模塊輸出各批次訓練圖像的高階特征輸入特征記憶模塊進行存儲。
5.如權利要求4所述的圖像語義分割模型的訓練方法，其特征在于，所述特征記憶模塊是隊列存儲結構，所述訓練圖像的高階特征在所述特征記憶模塊中按照所述高階特征的輸出時間由前至后排序；
6.如權利要求1所述的圖像語義分割模型的訓練方法，其特征在于，所
7.如權利要求6所述的圖像語義分割模型的訓練方法，其特征在于，所述根據所有卷積層輸出的語義分割結果對所述待訓練圖像語義分割模型進行訓練，包括：
8.一種圖像語義分割模型的訓練裝置，其特征在于，所述訓練裝置包括：
9.一種計算機設備，包括存儲器和處理器，所述存儲器中存儲有計算機可讀指令，所述計算機可讀指令被所述處理器執行時，使得所述處理器執行如權利要求1至7中任一項權利要求所述圖像語義分割模型的訓練方法的步驟。
10.一種存儲有計算機可讀指令的存儲介質，所述計算機可讀指令被一個或多個處理器執行時，使得一個或多個處理器執行如權利要求1至7中任一項權利要求所述圖像語義分割模型的訓練方法的步驟。
...【技術特征摘要】
1.一種圖像語義分割模型的訓練方法，其特征在于，所述訓練方法包括：
2.如權利要求1所述的圖像語義分割模型的訓練方法，其特征在于，所述待訓練圖像語義分割模型還包括上下文注意力模塊，所述根據所述當前批次的高階與所述當前批次之前的第二預設數量的高階特征的語義關系對所述當前批次的高階進行增強處理，包括：
3.如權利要求2所述的圖像語義分割模型的訓練方法，其特征在于，在所述根據所述語義關系權重，通過加權和對當前批次的所述訓練圖像的各像素點高階進行增強處理之后，所述將增強后的當前批次的高階特征輸入所述待訓練圖像語義分割模型的解碼模塊之前，還包括：
4.如權利要求1所述的圖像語義分割模型的訓練方法，其特征在于，所述方法還包括：將所述編碼模塊輸出各批次訓練圖像的高階特征輸入特征記憶模塊進行存儲。
5.如權利要求4所述的圖像語義分割模型的訓練方法，其特征在于，所述特征記憶模塊是隊列存儲結構，所述訓練圖像的高階特...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。