一种卷积神经网络训练方法及装置制造方法及图纸

本申请实施例公开了一种卷积神经网络训练方法，通过获取待分割图像以及待分割图像的标准分割图像，根据标准分割图像获取标准分割图像的纹理特征；将待分割图像输入到待训练卷积神经网络进行图像分割，得到训练分割图像，根据训练分割图像获取训练分割图像的纹理特征；根据训练分割图像的纹理特征与标准分割图像的纹理特征之间的差异，以及训练分割图像与标准分割图像之间各像素的类别标签差异对待训练卷积神经网络进行训练，得到目标卷积神经网络。该方法使训练分割图像与标准分割图像的差异体现的更加全面，根据全面的差异来对待训练卷积神经网络进行训练，使得到的目标卷积神经网络的准确率更高，实现更好的分割效果。

A convolution neural network training method and device

【技术实现步骤摘要】
一种卷积神经网络训练方法及装置
本申请涉及图像处理领域，尤其涉及一种卷积神经网络训练方法及装置。
技术介绍
图像分割(ImageSegmentation)，是根据图像的某些视觉特征对图像的像素进行分组形成若干个不重叠区域的过程。具体的，图像分割就是将图像各个像素添加类别标签，以将不同类别的区域通过不同的颜色区别开来。目前，图像分割需要先对卷积神经网络进行训练，然后利用训练得到的卷积神经网络对待处理图像进行图像分割。在训练的过程中，首先将待分割图像输入到待训练卷积神经网络中，通过待训练卷积神经网络进行图像分割，输出得到训练分割图像，然后将待训练卷积神经网络输出的训练分割图像的类别标签和标准分割图像的类别标签进行比对，根据比对结果对待训练卷积神经网络进行训练。然而，通过上述方法得到的完成训练的卷积神经网络，在进行图像分割时准确率较低，分割效果较差。
技术实现思路
为了解决现有技术中图像分割准确率低，分割效果差的问题，本申请实施例提供了一种卷积神经网络训练方法及装置，用于提高图像分割的准确率。本申请实施例提供了一种卷积神经网络训练方法，所述方法包括：获取待分割图像以及所述待分割图像的标准分割图像；根据所述标准分割图像各像素携带的类别标签对应的颜色获取所述标准分割图像的纹理特征；将所述待分割图像输入到待训练卷积神经网络进行图像分割，得到训练分割图像；根据所述训练分割图像各像素携带的类别标签对应的颜色获取所述训练分割图像的纹理特征；根据所述训练分割图像的纹理特征与所述标准分割图像的纹理特征之间的差异，以及所述训练分割图像与所述标准分割图像之间各像素的类别标签差异对所述待训练卷积神经网络进行训练，得到目标卷积神经网络。可选的，所述根据所述训练分割图像的纹理特征与所述标准分割图像的纹理特征之间的差异，以及所述训练分割图像与所述标准分割图像之间各像素的类别标签差异对所述待训练卷积神经网络进行训练，包括：根据所述训练分割图像的纹理特征与所述标准分割图像的纹理特征之间的差异，以及所述训练分割图像与所述标准分割图像的之间的各像素的类别标签差异，得到所述待训练卷积神经网络的损失函数的值，根据所述损失函数的值更新所述待训练卷积神经网络的模型参数。可选的，所述根据所述训练分割图像的纹理特征与所述标准分割图像的纹理特征之间的差异，以及所述训练分割图像与所述标准分割图像的之间的各像素的类别差异，得到所述待训练卷积神经网络的损失函数的值，包括：对所述训练分割图像的纹理特征与所述标准分割图像的纹理特征之间的差异，以及所述训练分割图像与所述标准分割图像的之间的各像素的类别差异进行加权求和，得到所述待训练卷积神经网络的损失函数的值。可选的，所述根据所述标准分割图像各像素携带的类别标签对应的颜色获取所述标准分割图像的纹理特征，包括：根据所述标准分割图像各像素携带的类别标签对应的灰度值得到所述标准分割图像的灰度共生矩阵，根据所述标准分割图像的灰度共生矩阵计算所述标准分割图像的熵；所述根据所述训练分割图像各像素携带的类别标签对应的颜色获取所述标准分割图像的纹理特征，包括：根据所述训练分割图像各像素携带的类别标签对应的灰度值得到所述训练分割图像的灰度共生矩阵，根据所述训练分割图像的灰度共生矩阵计算所述训练分割图像的熵；所述根据所述训练分割图像的纹理特征与所述标准分割图像的纹理特征之间的差异，以及所述训练分割图像与所述标准分割图像之间各像素的类别标签差异对所述待训练卷积神经网络进行训练，包括：根据所述训练分割图像的熵与所述标准分割图像的熵之间的差异，以及所述训练分割图像与所述标准分割图像之间各像素的类别标签差异对所述待训练卷积神经网络进行训练。可选的，所述方法还包括：预先设置对待训练卷积神经网络进行训练的训练轮数；所述对所述待训练卷积神经网络进行训练包括：根据所述训练轮数对所述待训练卷积神经网络进行训练。本申请实施例还提供了一种卷积神经网络训练装置，所述装置包括：第一图像获取单元，用于获取待分割图像以及所述待分割图像的标准分割图像；第一纹理特征获取单元，用于根据所述标准分割图像各像素携带的类别标签对应的颜色获取所述标准分割图像的纹理特征；第二图像获取单元，用于将所述待分割图像输入到待训练卷积神经网络进行图像分割，得到训练分割图像；第二纹理特征获取单元，用于根据所述训练分割图像各像素携带的类别标签对应的颜色获取所述训练分割图像的纹理特征；训练单元，用于根据所述训练分割图像的纹理特征与所述标准分割图像的纹理特征之间的差异，以及所述训练分割图像与所述标准分割图像之间各像素的类别标签差异对所述待训练卷积神经网络进行训练，得到目标卷积神经网络。可选的，所述训练单元包括：损失函数获取单元，用于根据所述训练分割图像的纹理特征与所述标准分割图像的纹理特征之间的差异，以及所述训练分割图像与所述标准分割图像的之间的各像素的类别标签差异，得到所述待训练卷积神经网络的损失函数的值；参数更新单元，用于根据所述损失函数的值更新所述待训练卷积神经网络的模型参数，得到目标卷积神经网络。可选的，所述损失函数获取单元具体用于：对所述训练分割图像的纹理特征与所述标准分割图像的纹理特征之间的差异，以及所述训练分割图像与所述标准分割图像的之间的各像素的类别差异进行加权求和，得到所述待训练卷积神经网络的损失函数的值。可选的，所述第一纹理特征获取单元具体用于：根据所述标准分割图像各像素携带的类别标签对应的灰度值得到所述标准分割图像的灰度共生矩阵，根据所述标准分割图像的灰度共生矩阵计算所述标准分割图像的熵；第二纹理特征获取单元具体用于：根据所述训练分割图像各像素携带的类别标签对应的灰度值得到所述训练分割图像的灰度共生矩阵，根据所述训练分割图像的灰度共生矩阵计算所述训练分割图像的熵；所述训练单元具体用于：根据所述训练分割图像的熵与所述标准分割图像的熵之间的差异，以及所述训练分割图像与所述标准分割图像之间各像素的类别标签差异对所述待训练卷积神经网络进行训练，得到目标卷积神经网络。可选的，所述装置还包括：预设单元，用于预先设置对待训练卷积神经网络进行训练的训练轮数；所述训练单元具体用于：根据所述训练分割图像的纹理特征与所述标准分割图像的纹理特征之间的差异，以及所述训练分割图像与所述标准分割图像之间各像素的类别标签差异，以及所述训练轮数对所述待训练卷积神经网络进行训练，得到目标卷积神经网络。本申请实施例提供的卷积神经网络训练方法及装置，通过获取待分割图像以及待分割图像的标准分割图像，根据标准分割图像各像素携带的类别标签对应的颜色获取标准分割图像的纹理特征；将待分割图像输入到待训练卷积神经网络进行图像分割，得到训练分割图像，根据训练分割图像各像素携带的类别标签对应的颜色获取训练分割图像的纹理特征；根据训练分割图像的纹理特征与标准分割图像的纹理特征之间的差异，以及训练分割图像与标准分割图像之间各像素的类别标签差异对待训练卷积神经网络进行训练，得到目标卷积神经网络。由于训练分割图像是待分割图像通过待训练卷积神经网络进行图像分割得到的，标准分割图像是想要通过卷积神经网络对待分割图像进行分割得到的标准图像，可作为对训练分割图像的质量的衡量标准，训练分割图像越接近标准分割图像，则训练分割图像的质量越好，对应本文档来自技高网...

【技术保护点】
1.一种卷积神经网络训练方法，其特征在于，所述方法包括：获取待分割图像以及所述待分割图像的标准分割图像；根据所述标准分割图像各像素携带的类别标签对应的颜色获取所述标准分割图像的纹理特征；将所述待分割图像输入到待训练卷积神经网络进行图像分割，得到训练分割图像；根据所述训练分割图像各像素携带的类别标签对应的颜色获取所述训练分割图像的纹理特征；根据所述训练分割图像的纹理特征与所述标准分割图像的纹理特征之间的差异，以及所述训练分割图像与所述标准分割图像之间各像素的类别标签差异对所述待训练卷积神经网络进行训练，得到目标卷积神经网络。

【技术特征摘要】
1.一种卷积神经网络训练方法，其特征在于，所述方法包括：获取待分割图像以及所述待分割图像的标准分割图像；根据所述标准分割图像各像素携带的类别标签对应的颜色获取所述标准分割图像的纹理特征；将所述待分割图像输入到待训练卷积神经网络进行图像分割，得到训练分割图像；根据所述训练分割图像各像素携带的类别标签对应的颜色获取所述训练分割图像的纹理特征；根据所述训练分割图像的纹理特征与所述标准分割图像的纹理特征之间的差异，以及所述训练分割图像与所述标准分割图像之间各像素的类别标签差异对所述待训练卷积神经网络进行训练，得到目标卷积神经网络。2.根据权利要求1所述的方法，其特征在于，所述根据所述训练分割图像的纹理特征与所述标准分割图像的纹理特征之间的差异，以及所述训练分割图像与所述标准分割图像之间各像素的类别标签差异对所述待训练卷积神经网络进行训练，包括：根据所述训练分割图像的纹理特征与所述标准分割图像的纹理特征之间的差异，以及所述训练分割图像与所述标准分割图像的之间的各像素的类别标签差异，得到所述待训练卷积神经网络的损失函数的值，根据所述损失函数的值更新所述待训练卷积神经网络的模型参数。3.根据权利要求2所述的方法，其特征在于，所述根据所述训练分割图像的纹理特征与所述标准分割图像的纹理特征之间的差异，以及所述训练分割图像与所述标准分割图像的之间的各像素的类别差异，得到所述待训练卷积神经网络的损失函数的值，包括：对所述训练分割图像的纹理特征与所述标准分割图像的纹理特征之间的差异，以及所述训练分割图像与所述标准分割图像的之间的各像素的类别差异进行加权求和，得到所述待训练卷积神经网络的损失函数的值。4.根据权利要求1所述的方法，其特征在于，所述根据所述标准分割图像各像素携带的类别标签对应的颜色获取所述标准分割图像的纹理特征，包括：根据所述标准分割图像各像素携带的类别标签对应的灰度值得到所述标准分割图像的灰度共生矩阵，根据所述标准分割图像的灰度共生矩阵计算所述标准分割图像的熵；所述根据所述训练分割图像各像素携带的类别标签对应的颜色获取所述标准分割图像的纹理特征，包括：根据所述训练分割图像各像素携带的类别标签对应的灰度值得到所述训练分割图像的灰度共生矩阵，根据所述训练分割图像的灰度共生矩阵计算所述训练分割图像的熵；所述根据所述训练分割图像的纹理特征与所述标准分割图像的纹理特征之间的差异，以及所述训练分割图像与所述标准分割图像之间各像素的类别标签差异对所述待训练卷积神经网络进行训练，包括：根据所述训练分割图像的熵与所述标准分割图像的熵之间的差异，以及所述训练分割图像与所述标准分割图像之间各像素的类别标签差异对所述待训练卷积神经网络进行训练。5.根据权利要求1所述的方法，其特征在于，所述方法还包括：预先设置对待训练卷...

【专利技术属性】
技术研发人员：聂凤梅，刘伟，王茂峰，杨孟，
申请(专利权)人：北京七鑫易维信息技术有限公司，
类型：发明
国别省市：北京,11