[發明專利]一種基于生成對抗網絡的圖像分割方法、裝置及存儲介質

有效

• 申請號: 202010193971.8
• 申請日: 2020-03-18
• 公開（公告）號: CN111507993B
• 公開（公告）日: 2023-05-19
• 發明（設計）人: 田治仁;張貴峰;李銳海;廖永力;張巍;龔博;王俊錁;黃增浩;朱登杰;何錦強
• 申請（專利權）人: 南方電網科學研究院有限責任公司
• 主分類號: G06T7/12
• 分類號: G06T7/12;G06N3/045;G06N3/0464;G06N3/0475;G06N3/0895;G06N3/094;G06N3/096
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 麥小嬋;郝傳鑫

1.一種基于生成對抗網絡的圖像分割方法，其特征在于，包括以下步驟：

獲取目標圖像集、參考圖像集以及與所述參考圖像集對應的預先標注的參考標注集；其中，所述目標圖像集包括目標圖像訓練集和目標圖像測試集；

構建分割網絡和判別網絡；其中，所述分割網絡的第一目標損失函數包括所述目標圖像集與所述參考標注集的交叉熵損失、所述目標圖像集的對抗損失和所述目標圖像集與所述參考圖像集之間的半監督損失；

將所述目標圖像訓練集與所述參考圖像集輸入到所述分割網絡，對應得到目標概率得分圖和參考概率得分圖，再將所述目標概率得分圖和所述參考概率得分圖輸入到所述判別網絡，以進行所述分割網絡和所述判別網絡的聯合訓練；

當所述分割網絡的第一目標損失函數和所述判別網絡的第二目標損失函數均收斂時，訓練結束；

將所述目標圖像測試集輸入訓練好的所述分割網絡，得到目標分割圖像；

其中，所述分割網絡的第一目標損失函數為：

L_G＝(1-lr_G)L_IL+lr_G+(1-50·lr_G)L_adv+50·lr_G+λ_semiL_semi；

其中，L_G為所述第一目標損失函數，lr_G指所述分割網絡對應的學習率調節參數,L_IL是所述目標圖像集與所述參考標注集的交叉熵損失，L_adv為所述目標圖像集的對抗損失，L_semi為所述目標圖像集與所述參考圖像集之間的半監督損失，lr_base為所述分割網絡的基本學習率，n為總訓練次數，j為第j次訓練，1≤j≤n；λ_semi是固定平衡系數，L為所述參考標注集，G(I)為所述目標概率得分圖，H、W和C分別為所述目標概率得分圖對應的高度、寬度和類別數；D(G(I))^(H,W)為所述目標概率得分圖輸入到所述判別網絡得到的目標置信圖；

其中，所述目標圖像集與所述參考圖像集之間的半監督損失是通過以下步驟得到的：

構建所述目標圖像集與所述參考圖像集之間的半監督損失；其中，所述半監督損失為L_semi為所述半監督損失，M為索引函數，設為常量，T_IR表示所述目標圖像集的閾值參數，R為自學目標值，設為常量；

采用自適應無監督學習方法訓練所述判別網絡生成對應所述目標圖像集的目標置信圖；

將所述目標置信圖與所述參考標注集對應的標注置信圖進行二值化；

多次試驗確定所述閾值參數，以確定所述目標置信圖與所述標注置信圖之間的置信區域，最終確定所述半監督損失；

其中，所述判別網絡的第二目標損失函數為：

其中，L_D為所述第二目標損失函數，lr_D表示所述判別網絡當前訓練次數的學習率權重衰減，k為輸入樣本的來源，取值為0或1，k＝0表示判斷所述判別網絡輸入的樣本來自于所述目標圖像集，k＝1表示判斷所述判別網絡輸入的樣本來自于所述參考標注集，D(G(R))^(H,W)為所述參考概率得分圖輸入到所述判別網絡得到的參考置信圖。

2.如權利要求1所述的基于生成對抗網絡的圖像分割方法，其特征在于，所述分割網絡的訓練采用牛頓快速隨機梯度下降法，所述判別網絡的訓練采用自適應Adam優化方法。

3.如權利要求1所述的基于生成對抗網絡的圖像分割方法，其特征在于，所述分割網絡的構建是基于ResNet101預訓練模型，先去掉全連接層，將后兩個卷積層的步長由2改為1，在第4卷積層和第5卷積層使用空洞卷積，將空洞數置為2；再在模型的后部分采用空間維度金字塔型空洞池化結構，在模型最后增添基于池化索引的上采樣和SoftMax層。