[發(fā)明專利]語義分割模型的生成方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 202210289059.1
• 申請(qǐng)日: 2022-03-22
• 公開（公告）號(hào): CN114596440B
• 公開（公告）日: 2023-08-04
• 發(fā)明（設(shè)計(jì)）人: 馬雅楠;趙雄
• 申請(qǐng)（專利權(quán)）人: 小米汽車科技有限公司
• 主分類號(hào): G06V10/26
• 分類號(hào): G06V10/26;G06V10/764;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 北京法勝知識(shí)產(chǎn)權(quán)代理有限公司 11922
• 代理人: 戎鄭華

1.一種語義分割模型的生成方法，其特征在于，包括：

獲取訓(xùn)練數(shù)據(jù)集，其中，所述訓(xùn)練數(shù)據(jù)集中包括樣本圖像及樣本圖像對(duì)應(yīng)的標(biāo)注結(jié)果；

將所述樣本圖像輸入目標(biāo)檢測(cè)模型中，以獲取所述樣本圖像對(duì)應(yīng)的檢測(cè)結(jié)果；

利用初始語義分割模型對(duì)所述樣本圖像進(jìn)行分割，以獲取所述樣本圖像對(duì)應(yīng)的分割結(jié)果；

根據(jù)所述樣本圖像對(duì)應(yīng)的檢測(cè)結(jié)果、標(biāo)注結(jié)果及分割結(jié)果，確定損失值；

基于所述損失值，對(duì)所述初始語義分割模型進(jìn)行修正，以獲取訓(xùn)練后的語義分割模型；

所述根據(jù)所述樣本圖像對(duì)應(yīng)的檢測(cè)結(jié)果、標(biāo)注結(jié)果及分割結(jié)果，確定損失值，包括：

根據(jù)所述樣本圖像對(duì)應(yīng)的檢測(cè)結(jié)果，確定所述樣本圖像中每個(gè)像素點(diǎn)所屬的區(qū)域類別，其中，所述樣本圖像中包含邊緣區(qū)域、目標(biāo)區(qū)域及背景區(qū)域，所述區(qū)域類別包括所述邊緣區(qū)域、所述目標(biāo)區(qū)域及所述背景區(qū)域，所述目標(biāo)區(qū)域?yàn)樗鰳颖緢D像中包含的目標(biāo)物體所在的區(qū)域，所述背景區(qū)域?yàn)樗鰳颖緢D像中目標(biāo)物體所在的區(qū)域之前的其他區(qū)域，所述邊緣區(qū)域?yàn)樗鰳颖緢D像中包含的目標(biāo)物體所在的目標(biāo)區(qū)域與背景區(qū)域之間的過渡區(qū)域；

根據(jù)每個(gè)所述像素點(diǎn)所屬的區(qū)域類別，確定每個(gè)像素點(diǎn)對(duì)應(yīng)的權(quán)重值；

根據(jù)所述樣本圖像對(duì)應(yīng)的標(biāo)注結(jié)果及分割結(jié)果，確定所述樣本圖像中每個(gè)像素點(diǎn)對(duì)應(yīng)的類別概率；

根據(jù)每個(gè)像素點(diǎn)對(duì)應(yīng)的類別概率及權(quán)重值，確定所述損失值；

在所述根據(jù)每個(gè)所述像素點(diǎn)所屬的區(qū)域類別，確定每個(gè)像素點(diǎn)對(duì)應(yīng)的權(quán)重值之后，還包括：

根據(jù)所述樣本圖像對(duì)應(yīng)的檢測(cè)結(jié)果，確定所述樣本圖像中包含的目標(biāo)的數(shù)量和/或種類；

根據(jù)所述樣本圖像中包含的目標(biāo)的數(shù)量和/或種類，確定所述樣本圖像對(duì)應(yīng)的參考權(quán)重，所述樣本圖像對(duì)應(yīng)的參考權(quán)重，表征所述樣本圖像中包含的內(nèi)容是否豐富；

根據(jù)所述樣本圖像對(duì)應(yīng)的參考權(quán)重，對(duì)所述樣本圖像中每個(gè)像素點(diǎn)對(duì)應(yīng)的權(quán)重值進(jìn)行修正，以獲取修正后的每個(gè)像素點(diǎn)對(duì)應(yīng)的權(quán)重值，其中，為所述樣本圖像對(duì)應(yīng)的參考權(quán)重及所述每個(gè)像素點(diǎn)對(duì)應(yīng)的權(quán)重值分別設(shè)置系數(shù)，以獲取所述參考權(quán)重對(duì)應(yīng)的第一系數(shù)，所述每個(gè)像素點(diǎn)對(duì)應(yīng)的權(quán)重值對(duì)應(yīng)的第二系數(shù)，并將所述參考權(quán)重與所述第一系數(shù)的乘積、及所述每個(gè)像素點(diǎn)對(duì)應(yīng)的權(quán)重值與所述第二系數(shù)的乘積相加，以獲取所述修正后的每個(gè)像素點(diǎn)對(duì)應(yīng)的權(quán)重值。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)所述樣本圖像對(duì)應(yīng)的檢測(cè)結(jié)果，確定所述樣本圖像中每個(gè)像素點(diǎn)所屬的區(qū)域類別，包括：

根據(jù)所述樣本圖像對(duì)應(yīng)的檢測(cè)結(jié)果中的檢測(cè)框?qū)?yīng)的位置及尺寸，確定所述樣本圖像中包含的目標(biāo)區(qū)域；

將所述樣本圖像中由所述目標(biāo)區(qū)域向外延伸預(yù)設(shè)寬度的區(qū)域，確定為邊緣區(qū)域；

將所述樣本圖像中除所述目標(biāo)區(qū)域及所述邊緣區(qū)域外的區(qū)域，確定為背景區(qū)域；

根據(jù)所述目標(biāo)區(qū)域、邊緣區(qū)域及背景區(qū)域的位置，確定所述樣本圖像中每個(gè)像素點(diǎn)所屬的區(qū)域類型。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，在所述將所述樣本圖像中由所述目標(biāo)區(qū)域向外延伸預(yù)設(shè)寬度的區(qū)域，確定為邊緣區(qū)域之前，還包括：

根據(jù)所述檢測(cè)框的尺寸，確定所述預(yù)設(shè)寬度。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，在所述根據(jù)所述樣本圖像中包含的目標(biāo)的數(shù)量和/或種類，確定所述樣本圖像對(duì)應(yīng)的參考權(quán)重之后，還包括：

根據(jù)每個(gè)所述樣本圖像對(duì)應(yīng)的參考權(quán)重，確定每個(gè)所述樣本圖像對(duì)應(yīng)的訓(xùn)練次數(shù)；

根據(jù)每個(gè)所述樣本圖像對(duì)應(yīng)的訓(xùn)練次數(shù)，對(duì)所述訓(xùn)練數(shù)據(jù)集包含的每個(gè)所述樣本圖像的數(shù)量進(jìn)行更新。

5.一種語義分割方法，其特征在于，包括：

獲取待分割的圖像；

將所述待分割的圖像，輸入預(yù)設(shè)的語義分割模型，以獲取所述待分割圖像對(duì)應(yīng)的語義分割結(jié)果，其中，所述預(yù)設(shè)的語義分割模型為基于如權(quán)利要求1-4任一所述的方法生成的。