The invention provides a semantic segmentation method, system, terminal and storage medium based on time series cascade, which mainly includes the following steps: marking feature graph I as branch one and branch two respectively, and establishing a learner; dividing the processing time of branch one and branch two into two periods: first time period T1 and second time period t2, and second time period t2, respectively. The learning results are divided into two parts: complete area and incomplete area, complete area is divided into branch one and incomplete area is divided into branch two; in the second time period, branch two continues to learn incomplete area, and branch one stops learning. Check whether the learning results are forgotten; if the uncompleted area of branch 2 is not completed, the uncompleted part will be executed again. The invention is based on time series cascade, which makes the assignment of learning tasks more clear and greatly reduces the performance loss.
【技术实现步骤摘要】
一种基于时间序列级联的语义分割方法、系统、终端和存储介质
本专利技术涉及车载电子
,特别是涉及一种基于时间序列级联的语义分割方法、系统、终端和存储介质。
技术介绍
语义分割是是图像理解的关键技术之一,图像是由许多像素组成,而语义分割就是将像素按照图像中表达语义的不同进行分组。现实中越来越多的应用场景需要从影像中推理出相关的语义,这些应用包括自动驾驶,人机交互,计算摄影学,增强现实等。现有技术的缺陷和不足:第一,分割精度不够;第二,学习内容冗余,耗时较多。
技术实现思路
为了解决上述的以及其他潜在的技术问题,本专利技术提供了一种基于时间序列级联的语义分割方法、系统、终端和存储介质,第一,使用时间序列上的级联方式来进行语义分割,将分支一未学习充分的部分传到分支二进行学习,学习任务分配更加明确,极大减少了性能损耗。一种基于时间序列级联的语义分割方法,包括以下步骤:S01:获取捕获图像,将捕获图像经过前端编译处理得到特征图I;S02:复制给特征图I的特征点,成为完全相同的两份特征图I,分别标记为分支一和分支二,并建立学习器;S03:将分支一和分支二的处理时间分为两段:第一时间段t1和第二时间段t2,第一时间段t1学习器做学习能力检测,学习器输出学习成果,该学习成果分为两部分:完成区和未完成区,完成区划分至分支一,未完成区划分至分支二;S04:在第二时间段t2中,分支二继续学习未完成区,分支一的完成区停止学习并检测学习成果是否遗忘;S05:在第二时间段t2的下一时刻若分支二的未完成区学习完成,则结束学习;若分支二的未完成区仍未完成,则将仍未完成的部分再次执行步骤S ...
【技术保护点】
1.一种基于时间序列级联的语义分割方法,其特征在于,包括以下步骤:S01:获取捕获图像,将捕获图像经过前端编译处理得到特征图I;S02:复制给特征图I的特征点,成为完全相同的两份特征图I,分别标记为分支一和分支二,并建立学习器;S03:将分支一和分支二的处理时间分为两段:第一时间段t1和第二时间段t2,第一时间段t1学习器做学习能力检测,学习器输出学习成果,该学习成果分为两部分:完成区和未完成区,完成区划分至分支一,未完成区划分至分支二;S04:在第二时间段t2中,分支二继续学习未完成区,分支一的完成区停止学习并检测学习成果是否遗忘;S05:在第二时间段t2的下一时刻若分支二的未完成区学习完成,则结束学习;若分支二的未完成区仍未完成,则将仍未完成的部分再次执行步骤S03至步骤S06的循环,直至未完成的部分完成,才结束学习;S06:输出学习结果后端译码还原为语义分割图。
【技术特征摘要】
1.一种基于时间序列级联的语义分割方法,其特征在于,包括以下步骤:S01:获取捕获图像,将捕获图像经过前端编译处理得到特征图I;S02:复制给特征图I的特征点,成为完全相同的两份特征图I,分别标记为分支一和分支二,并建立学习器;S03:将分支一和分支二的处理时间分为两段:第一时间段t1和第二时间段t2,第一时间段t1学习器做学习能力检测,学习器输出学习成果,该学习成果分为两部分:完成区和未完成区,完成区划分至分支一,未完成区划分至分支二;S04:在第二时间段t2中,分支二继续学习未完成区,分支一的完成区停止学习并检测学习成果是否遗忘;S05:在第二时间段t2的下一时刻若分支二的未完成区学习完成,则结束学习;若分支二的未完成区仍未完成,则将仍未完成的部分再次执行步骤S03至步骤S06的循环,直至未完成的部分完成,才结束学习;S06:输出学习结果后端译码还原为语义分割图。2.根据权利要求1所述的基于时间序列级联的语义分割方法,其特征在于,所述步骤S01中的前端编译处理包括卷积和线性修正,还包括池化、上采样、融合中的一种或几种。3.根据权利要求1所述的基于时间序列级联的语义分割方法,其特征在于,所述步骤S01中的前端编译处理中卷积的次数为至少一次,卷积的网络结构为全卷积网络结构或膨胀卷积网络结构。4.根据权利要求1所述的基于时间序列级联的语义分割方法,其特征在于,所述所述步骤S03中检测学习能力的具体步骤是:S031:将数据集分为测试集、验证集和训练集;S032:用训练集训练学习器,训练好的学习器处理特征图I,得到处理结果;S033:将处理结果与真实结果对比;S034:处理结果与真实结果一致的部分,作为完成区;处理结果与真实结果不一致的部分,作为未完成区。5.根据权利要求4所述的基于时间序列级联的语义分割方法,其特征在于,所述测试集用于评估学习器的网络模型的学习精度,选择最优化的学习器网络模型;所述验证集用于挑选超参数,即用来确定网络结构或者控制模型复杂程度的参数;所述数据集中的测试集和验证集中数据互斥,所述数据集中的训练集包含验证集。6.根据权利要求1所述的基于时间序列级联的语义分割方法,其特征在于...
【专利技术属性】
技术研发人员:李坤仑,吴子章,王凡,唐锐,
申请(专利权)人:北京纵目安驰智能科技有限公司,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。