【技术实现步骤摘要】
图像处理方法及装置
本公开涉及图像处理
，尤其涉及图像处理方法及装置。
技术介绍
图像语义分割是对于给定的一幅图片，给图中每个像素按照的目标类别打上标签，使得不同种类的对象在图像上被区分开来，相对于对图片中的对象进行类别判断，图像语义分割更加细粒度，能够在像素级别进行识别，图像语义分割能够应用在自动驾驶技术中，将道路上的人和车辆识别出来进行避障。然而，现有的利用全卷积神经网络实现图像语义的分割测试方法，能够有效分割目标对象，但是其计算量大不适用于移动端等受限于计算量的设备，现有适用于移动端等受限于计算量的设备的分割测试方法，存在边界等部位分割比较粗糙问题，现有适用于移动端等受限于计算量的设备精确度有待提升。
技术实现思路
本公开提供一种图像处理方法及装置，以至少解决相关技术中对边界精细分割时存在计算量大的问题。根据本公开实施例的第一方面，提供一种图像分割模型训练方法，包括：获取训练集图像和与所述训练集图像对应的标准语义分割结果；将所述训练集图像输入初始图像分割模型逐级...
【技术保护点】
1.一种图像分割模型训练方法，其特征在于，包括：/n获取训练集图像和与所述训练集图像对应的标准语义分割结果；/n将所述训练集图像输入初始图像分割模型逐级进行下采样和上采样，获得多个特征图；其中，所述上采样次数与所述下采样次数相同，相应的每级所述上采样和同级下采样对应的特征图的尺度相同；/n将所述上采样获得的多个不同尺度的特征图，分别输入对应的监督分支中，根据所述标准语义分割结果和所述不同尺度的特征图的目标分割结果，得到与所述不同尺度的特征图对应的损失函数；/n根据与所述不同尺度的特征图对应的损失函数和目标分割结果对应的损失函数，计算所述初始图像分割模型的总损失函数；其中，所...
【技术特征摘要】
1.一种图像分割模型训练方法，其特征在于，包括：
获取训练集图像和与所述训练集图像对应的标准语义分割结果；
将所述训练集图像输入初始图像分割模型逐级进行下采样和上采样，获得多个特征图；其中，所述上采样次数与所述下采样次数相同，相应的每级所述上采样和同级下采样对应的特征图的尺度相同；
将所述上采样获得的多个不同尺度的特征图，分别输入对应的监督分支中，根据所述标准语义分割结果和所述不同尺度的特征图的目标分割结果，得到与所述不同尺度的特征图对应的损失函数；
根据与所述不同尺度的特征图对应的损失函数和目标分割结果对应的损失函数，计算所述初始图像分割模型的总损失函数；其中，所述目标分割结果为所述初始图像分割模型最终输出的图像分割结果，所述目标分割结果对应的损失函数根据所述目标分割结果和所述标准语义分割结果计算获得；
根据所述总损失函数调整所述初始图像分割模型的参数，获得训练后的图像分割模型。
2.根据权利要求1所述的图像分割模型训练方法，其特征在于，所述将所述训练集图像输入初始图像分割模型逐级进行下采样和上采样，获得多个特征图步骤包括：
将所述训练集图像逐级进行下采样，获得多个第一特征图；其中，最后一级所述下采样获得的所述第一特征图为第一最小尺度特征图；
将所述第一最小尺度特征图输入ASPP模块，获得第二最小尺度特征图；
以第二最小尺度特征图为基础逐级进行上采样，获得多个第二特征图；
其中，每级所述上采样是基于相邻前两级特征图、同尺度的所述第一特征图进行处理。
3.根据权利要求1所述的图像分割模型训练方法，其特征在于，所述将所述上采样获得的多个不同尺度的特征图，分别输入对应的监督分支中，根据所述标准语义分割结果和所述不同尺度的特征图的目标分割结果，得到与所述不同尺度的特征图对应的损失函数步骤包括：
将所述上采样获得的多个不同尺度的特征图分别进行反卷积运算，得到与所述训练集图像同尺寸的还原图像；
根据所述还原图像中每个像素的像素值和对应的所述标准语义分割结果中像素的像素值，计算所述还原图像中每个像素属于目标对象的概率；
根据所述像素属于目标对象的概率，得到与所述不同尺度的特征图对应的损失函数。
4.根据权利要求1所述的图像分割模型训练方法，其特征在于，所述根据与所述不同尺度的特征图对应的损失函数和目标分割结果对应的损失函数，计算所述初始图像分割模型的总损失函数步骤，包括：
对与所述不同尺度的特征图对应的损失函数和目标分割结果对应的损失函数分别设置不同权重；
根据多个所述权重和多个所述损失函数进行加权求和运算，得到所述初始图像分割模型的总损失函数。
5.根据权利要求1所述的图像分割模型训练方法，其特征在于，所述根据所述总损失函数调整所述初始图像分割模型的参数，获得训练后的图像分割模型步骤...
【专利技术属性】
技术研发人员：孙阳，
申请(专利权)人：北京达佳互联信息技术有限公司，
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。