[發明專利]語義分割模型訓練方法、語義分割方法及相關裝置

有效

• 申請號: 202011456416.6
• 申請日: 2020-12-10
• 公開（公告）號: CN112465840B
• 公開（公告）日: 2023-02-17
• 發明（設計）人: 樊強
• 申請（專利權）人: 重慶紫光華山智安科技有限公司
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06V10/26;G06V10/764;G06N20/00
• 代理公司: 北京超凡宏宇專利代理事務所(特殊普通合伙) 11463
• 代理人: 李莎

1.一種語義分割模型訓練方法，其特征在于，所述方法包括：

獲取訓練集，其中，所述訓練集包括樣本圖像及分類標簽，所述分類標簽是由將所述樣本圖像分別輸入多個預先訓練的分類模型得到的多個分類結果融合而成，所述分類標簽包括所述樣本圖像中每一個像素點所屬的類別；

將所述訓練集輸入預先構建的語義分割模型，得到所述樣本圖像對應的分類概率；

基于所述分類概率、交叉熵損失函數及所述分類標簽對所述語義分割模型進行參數更新，得到訓練后的語義分割模型，所述交叉熵損失函數為其中，L表示所述交叉熵損失函數，M表示所述分類標簽的類別的數量，y_c表示所述樣本圖像中每一個像素點對應第c類別的one-hot向量，p_c表示所述樣本圖像屬于第c類別的概率。

2.如權利要求1所述的語義分割模型訓練方法，其特征在于，所述獲取訓練集的方法包括：

將所述樣本圖像分別輸入多個預先訓練的分類模型，得到每個所述分類模型輸出的初始分類結果；

利用投票機制對多個初始分類結果進行融合，得到所述分類標簽。

3.如權利要求2所述的語義分割模型訓練方法，其特征在于，所述樣本圖像包括多個像素點，所述初始分類結果包括每一所述像素點的初始類別；

所述利用投票機制對多個初始分類結果進行融合，得到所述分類標簽的步驟包括：

統計所述多個初始分類結果中，每一所述像素點的各個初始類別的票數；

依據每一所述像素點的各個初始類別的票數，確定每一所述像素點的最終類別；

對每一所述像素點的最終類別進行融合，得到所述樣本圖像的分類標簽。

4.如權利要求3所述的語義分割模型訓練方法，其特征在于，所述依據每一所述像素點的各個初始類別的票數，確定每一所述像素點的最終類別的步驟包括：

確定所述多個像素點中的任一目標像素點；

獲取所述目標像素點的各個初始類別的票數；

將所述票數最多的目標初始類別確定為所述目標像素點的最終類別。

5.如權利要求4所述的語義分割模型訓練方法，其特征在于，每一所述分類模型對應一個準確率；

所述依據每一所述像素點的各個初始類別的票數，確定每一所述像素點的最終類別的步驟還包括：

若票數最多的初始類別為多個，則將多個所述票數最多的初始類別中，所述準確率最高的分類模型對應的目標初始類別確定為所述目標像素點的最終類別。

6.一種語義分割方法，其特征在于，所述方法包括：

獲取待分割圖像；

將所述待分割圖像輸入訓練后的語義分割模型，得到分割結果，其中，所述語義分割模型是將包括樣本圖像及分類標簽的訓練集輸入預先構建的語義分割模型得到的，所述分類標簽是由將所述樣本圖像分別輸入多個預先訓練的分類模型后得到的多個分類結果融合而成，所述分類標簽包括所述樣本圖像中每一個像素點所屬的類別，所述語義分割模型的訓練方式為：將所述訓練集輸入預先構建的語義分割模型，得到所述樣本圖像對應的分類概率；基于所述分類概率、交叉熵損失函數及所述分類標簽對所述語義分割模型進行參數更新，得到訓練后的語義分割模型，所述交叉熵損失函數為其中，L表示所述交叉熵損失函數，M表示所述分類標簽的類別的數量，y_c表示所述樣本圖像中每一個像素點對應第c類別的one-hot向量，p_c表示所述樣本圖像屬于第c類別的概率。