【技术实现步骤摘要】
语义分割方法、系统、介质及装置
本专利技术涉及图像分割
，特别是涉及一种语义分割方法、系统、介质及装置。
技术介绍
在语义识别系统中，目前应用最广泛的是与深度学习相结合的方法，其中有监督学习的方法应用最为广泛。在实际应用中，往往需要通过对某个带有语义标签的数据集进行有监督训练的方法，而目标却是学习出一个稳定的且各个方面表现都比较好的模型。由于训练好的模型表达能力有限，得到的模型会是一个有偏好的模型。集成学习通过组合多个学习器(模型)以期望得到一个更好更全面的模型，核心思想在于，即使某一个学习器得到了错误的预测，其他的学习器也能将错误纠正回来，如图1a所示。每个个体学习器是用一个现有的学习算法从训练数据中产生的，例如C4.5决策树算法、BP神经网络算法等。将多个相同形式或不同形式的机器学习技术组合成一个预测模型的元算法后，可以起到减小方差、偏差或改进预测的效果。以组合方式来说，可以将集成学习分为两种。第一种是序列集成方法，其中参与训练的基础学习器按照顺序生成(例如AdaBoost)。序列方法的原理是利用基...
【技术保护点】
1.一种语义分割方法，其特征在于，包括以下步骤：/n获取需要语义分割的图片，记录所述图片的尺寸为H×W×M，H表示图像高度，W表示图像宽度，M表示通道数；/n对所述图片进行边缘处理获得边缘连通图S；/n对所述图片基于预先训练好语义分割模型i进行语义分割；生成语义标签图G
【技术特征摘要】
1.一种语义分割方法，其特征在于，包括以下步骤：
获取需要语义分割的图片，记录所述图片的尺寸为H×W×M，H表示图像高度，W表示图像宽度，M表示通道数；
对所述图片进行边缘处理获得边缘连通图S；
对所述图片基于预先训练好语义分割模型i进行语义分割；生成语义标签图Gi和语义概率图Pi；
根据所述边缘连通图S，生成像素为0的四邻域连通集合F，遍历F中的每个连通域k分别找出对应于每个连通域k平均信息熵最小的语义分割模型imin，确定连通域k内所有像素的最终语义标签其中(h，w)∈k。
2.根据权利要求1所述的语义分割方法，其特征在于，所述对所述图片进行边缘处理获得边缘连通图S包括：
对所述图片通过边缘检测网络进行边缘检测，生成初始边缘检测图E，所述初始边缘检测图E的尺寸为H×W；
对所述初始边缘检测图E进行细化处理，得到细化边缘图；
对所述细化边缘图进行二值化处理，得到初始二值化边缘图T；
对所述初始二值化边缘图T进行大连通块全连通处理，得到闭合边缘图S。
3.根据权利要求1所述的语义分割方法，其特征在于，所述对所述图片基于语义分割模型i进行语义分割；生成语义标签图Gi和语义概率图Pi包括：
基于场景识别网络对所述图片进行场景分类，获取所述图片的场景类型；
基于所述场景类型从语义分割模型库中调取符合场景属性的语义分割模型，所述语义分割模型有n个；
遍历每个语义分割模型，记当前的语义分割模型为i，i∈[1，n]，对所述图片进行语义分割，得到模型i的初始语义分割结果包括：
语义分割概率图Pi，尺寸为H×W×Ci，其中Ci为语义分割模型i能够输出的语义类别个数；
语义分割标签图Gi，尺寸为H×W。
4.根据权利要求1所述的语义分割方法，其特征在于，所述遍历F中的每个连通域k找出平均信息熵最小的语义分割模型imin，确定连通域k内所有像素的最终语义标签其中(h，w)∈k包括：
连通域k内的像素位置集合上，统计语义模型i在像素位置集合的位置上的语义标签投票情况，选择投票最多的标签作为所述语义模型i在连通域k内像素位置上的语义标签结果；
在连通域k内的像素位置集合上，计算每个语义分割模型i的平均信息熵li：其中(h，w)∈k，Ci表示语义标签总数；
找出平均信息熵li最小的语义分割模型imin；
确定连通域k内所有像素的最终语义标签其中(h，w)∈k。
5.一种语义分割系统，其特征在于，包括：获取模块、边缘处理模块、语义分割模块和标签模块；
所述获取模块用于获取需要语义分割的图片，记录所述图片的尺寸为H×W×M，H表示图像高度，W表示图像宽度，M表示通道数；
所述边缘处理模块用于对所述图片进...
【专利技术属性】
技术研发人员：舒睿俊，陈铭弘，李嘉茂，张晓林，
申请(专利权)人：中国科学院上海微系统与信息技术研究所，
类型：发明
国别省市：上海;31
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。