一种语义分割神经网络的训练方法、设备和存储介质技术

本发明专利技术公开了一种语义分割神经网络的训练方法、设备和存储介质。该方法包括：连接第一语义分割神经网络和第二语义分割神经网络；利用训练图像及其对应的监督图像，同时对所述第一语义分割神经网络和所述第二语义分割神经网络进行端到端训练。本发明专利技术通过训练相互连接的第一语义分割神经网络和第二语义分割神经网络，实现两阶段的语义分割，可以在图像比较模糊，目标对象边缘不清晰，分辨率较低，图像光照条件较差的情况下，对指定的目标对象进行快速的、高精度的语义分割。

A training method, equipment and storage medium of semantic segmentation Neural Network

【技术实现步骤摘要】
一种语义分割神经网络的训练方法、设备和存储介质
本专利技术涉及模型训练
，尤其涉及一种语义分割神经网络的训练方法、设备和存储介质。
技术介绍
图像分割是指将图像分成若干个特定的、具有独特性质的区域并提取出感兴趣目标的技术和过程。目前，图像分割技术通常利用一个神经网络，例如：利用一个U-net神经网络，对图像进行端到端的语义分割，也就是让神经网络学习从RGB(Red、Green、Blue，红、绿、蓝)图像空间直接到分割图像的映射，这种方法在实际应用中取得了比较好的效果，但是依然存在以下问题：神经网络的结构复杂，运行速度较慢，分割的结果容易受到光照、背景、遮挡物以及图像质量(例如：模糊程度)等因素的影响，导致对目标对象边缘的分割不够精细，尤其在光照较暗或者背景和前景颜色类似的时候，分割图像上会出现大量干扰噪声。例如：如图1所示，左侧的图像为原始图像，右侧的图像为利用U-net神经网络分割后的图像，从分割后的图像可以清楚的看到，人像边缘的分割不清晰，伴随大量的干扰噪声。造成这种问题的原因主要在于，现有的U-net神经网络参数量大本文档来自技高网...

【技术保护点】
1.一种语义分割神经网络的训练方法，其特征在于，包括：/n连接第一语义分割神经网络和第二语义分割神经网络；/n利用训练图像及其对应的监督图像，同时对所述第一语义分割神经网络和所述第二语义分割神经网络进行端到端训练。/n

【技术特征摘要】
1.一种语义分割神经网络的训练方法，其特征在于，包括：
连接第一语义分割神经网络和第二语义分割神经网络；
利用训练图像及其对应的监督图像，同时对所述第一语义分割神经网络和所述第二语义分割神经网络进行端到端训练。


2.根据权利要求1所述的方法，其特征在于，所述同时对所述第一语义分割神经网络和所述第二语义分割神经网络进行端到端训练，包括：
采用随机梯度下降法，同时对所述第一语义分割神经网络和所述第二语义分割神经网络进行端到端训练，直到所述第一语义分割神经网络和所述第二语义分割神经网络收敛为止。


3.根据权利要求2所述的方法，其特征在于，所述同时对所述第一语义分割神经网络和所述第二语义分割神经网络进行端到端训练，包括：
获取对应的训练图像和监督图像；
将所述训练图像输入到用于分割目标对象的第一语义分割神经网络，获得所述目标对象的粗分割图像和所述训练图像的特征图像；
将所述训练图像、所述粗分割图像和所述特征图像以通道并联的方式输入到用于进一步分割所述目标对象的第二语义分割神经网络，获得所述目标对象的细分割图像；
根据所述训练图像对应的监督图像，确定所述第一语义分割神经网络和所述第二语义分割神经网络是否收敛；
如果否，则调整所述第一语义分割神经网络和所述第二语义分割神经网络，获取下一组对应的训练图像和监督图像，继续对所述第一语义分割神经网络和所述第二语义分割神经网络进行端到端训练，直到所述第一语义分割神经网络和所述第二语义分割神经网络收敛为止。


4.根据权利要求3所述的方法，其特征在于，
在所述获取对应的训练图像和监督图像之前，还包括：
在所述第一语义分割神经网络的输出端设置第一损失函数，在所述第二语义分割神经网络的输出端设置第二损失函数；
所述根据所述训练图像对应的监督图像，确定所述第一语义分割神经网络和所述第二语义分割神经网络是否收敛，包括：
利用所述第一损失函数确定所述粗分割图像相对于所述监督图像的第一损失程度；利用所述第二损失函数确定所述细分割图像相对于所述监督图像的第二...

【专利技术属性】
技术研发人员：黄永祯，曹春水，杨家辉，张俊峰，
申请(专利权)人：银河水滴科技北京有限公司，
类型：发明
国别省市：北京;11