【技术实现步骤摘要】
图像语义分割网络的训练方法、装置、设备及存储介质
本申请实施例涉及图像语义分割领域,特别涉及一种图像语义分割网络的训练方法、装置、设备及存储介质。
技术介绍
图像语义分割是一种区分图像中包含的不同对象,并识别各个对象所属类别的技术。在人工智能领域,图像语义分割网络通常基于卷积神经网络训练得到。相关技术中,基于卷积神经网络构建出初始图像语义分割网络后,首先利用训练图像集对初始图像语义分割网络进行训练,并在网络训练完成后,利用测试图像集对训练得到的图像语义分割网络进行测试,从而确定图像语义分割网络的图像语义分割效果。其中,训练图像集中的每张训练图像均包含标注信息,而测试图像集中的测试图像则不包含标注信息,该标注信息指图像中像素点所属对象的类别。然而,采用上述方法训练出的图像语义分割网络对图像的特征分布敏感,当训练图像集与测试图像集的分布不一致时,利用图像语义分割网络对测试图像集进行测试后得到的测试结果的准确度较低。
技术实现思路
本申请实施例提供了一种图像语义分割网络的训练方法、装置、设备及存储介质,可以解决当训练图像集与测试图像集的分布不同时,利用测试图像集对图像语义分割网络进行测试所得到的测试结果的准确度较低的问题。所述技术方案如下:一方面,本申请实施例提供了一种图像语义分割网络的训练方法,所述方法包括:根据训练图像集训练第一图像语义分割网络,所述训练图像集中的训练图像包含标注信息;通过掩膜网络对所述第一图像语义分割网络的网络权重进行掩膜处理,得到第二图像语义分割网络,所述掩膜网络用于筛选所述第一图像语义分割网络中对图像的特征分布不敏感的网络权重;根据所述训练 ...
【技术保护点】
1.一种图像语义分割网络的训练方法,其特征在于,所述方法包括:根据训练图像集训练第一图像语义分割网络,所述训练图像集中的训练图像包含标注信息;通过掩膜网络对所述第一图像语义分割网络的网络权重进行掩膜处理,得到第二图像语义分割网络,所述掩膜网络用于筛选所述第一图像语义分割网络中对图像的特征分布不敏感的网络权重;根据所述训练图像集和所述测试图像集,对所述第二图像语义分割网络进行训练,所述测试图像集中的测试图像不包含所述标注信息,且所述训练图像集与所述测试图像集的分布不同。
【技术特征摘要】
1.一种图像语义分割网络的训练方法,其特征在于,所述方法包括:根据训练图像集训练第一图像语义分割网络,所述训练图像集中的训练图像包含标注信息;通过掩膜网络对所述第一图像语义分割网络的网络权重进行掩膜处理,得到第二图像语义分割网络,所述掩膜网络用于筛选所述第一图像语义分割网络中对图像的特征分布不敏感的网络权重;根据所述训练图像集和所述测试图像集,对所述第二图像语义分割网络进行训练,所述测试图像集中的测试图像不包含所述标注信息,且所述训练图像集与所述测试图像集的分布不同。2.根据权利要求1所述的方法,其特征在于,所述掩膜网络与所述第一图像语义分割网络的网络结构相同,且所述掩膜网络与所述第一图像语义分割网络中网络权重的数量相同;所述通过掩膜网络对所述第一图像语义分割网络的网络权重进行掩膜处理,得到第二图像语义分割网络,包括:获取所述第一图像语义分割网络对应的第一权重阵列,所述第一权重阵列包括所述第一图像语义分割网络中各个卷积核对应的网络权重;通过所述掩膜网络对应的实数掩膜对所述第一权重阵列进行掩膜处理,得到第二权重阵列,所述实数掩膜包括所述掩膜网络中各个卷积核对应的网络权重;根据所述第二权重阵列生成所述第二图像语义分割网络。3.根据权利要求2所述的方法,其特征在于,所述通过所述掩膜网络对应的实数掩膜对所述第一权重阵列进行掩膜处理,得到第二权重阵列,包括:通过阈值函数对所述实数掩膜进行二值化处理,生成二值化掩膜,所述二值化掩膜是由0和1构成的阵列,且所述二值化掩膜的尺寸与所述第一权重阵列的尺寸相同;将所述第一权重阵列与所述二值化掩膜点对点相乘,得到所述第二权重阵列。4.根据权利要求3所述的方法,其特征在于,所述通过阈值函数对所述实数掩膜进行二值化处理,生成二值化掩膜之后,还包括:将所述第一权重阵列与所述二值化掩膜点对点相乘,得到中间权重阵列;根据所述中间权重阵列和扰动阵列生成所述第二权重阵列,所述扰动阵列用于为所述中间权重阵列中的网络权重增加扰动。5.根据权利要求2至4任一所述的方法,其特征在于,所述根据所述第二权重阵列生成所述第二图像语义分割网络,包括:根据所述第二权重阵列,对所述第一图像语义分割网络中各个卷积核进行网络权重更新;将网络权重更新后的所述第一图像语义分割网络确定为所述第二图像语义分割网络。6.根据权利要求1至4任一所述的方法,其特征在于,所述根据所述训练图像集和所述测试图像集,对所述第二图像语义分割网络进行训练,包括:根据所述训练图像集计算所述第二图像语义分割网络的分割损失;根据所述训练图像集和所述测试图像集计算判别器的判别器损失,所述判别器用于根据图像特征确定图像所属的图像集;根据所述分割损失和所述判别器损失对抗训练所述第二图像语义分割网络和所述判别器。7.根据权利要求6所述的方法,其特征在于,所述根据所述训练图像集和所述测试图像集计算判别器的判别器损失,包括:将目标图像输入所述第二图像语义分割网络,得到目标图像特征,所述目标图像属于所述训练图像集或所述测试图像集;将所述目标图像特征输入所述判别器,得到判别结果;根据所述目标图像所属的图像集和所述判别结果,计算所述判别器损失。8.根据权利要求1至4任一所述的方法,其特征在于,所述方法用于辅助驾驶领域时,所述训练图像集与所述测试图像集的分布不同包括所属城市不同、所属季节不同、所属时段不同中的至少一种;或,所述方法用于人脸识别领域时,所述训...
【专利技术属性】
技术研发人员:揭泽群,刘威,
申请(专利权)人:腾讯科技深圳有限公司,
类型:发明
国别省市:广东,44
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。