【技术实现步骤摘要】
模型训练、图像处理方法、装置、计算机设备和存储介质
本申请涉及计算机视觉
,具体涉及一种模型训练、图像处理方法、装置、计算机设备和存储介质。
技术介绍
目前,计算机视觉技术中有一种图像语义分割技术,可以对图像进行语义分割,得到某图像的语义图像,而相关技术中一般采用基于深度网络的语义分割模型,来获取图像的语义图像。该方案中语义分割模型的损失函数一般由人工定义,损失函数的构造形式很依赖行业的经验,模型的语义分割效果对人工构造的函数的依赖很大。
技术实现思路
本专利技术实施例提供一种模型训练、图像处理方法、装置、计算机设备和存储介质,可以基于生成对抗网络中的生成网络实现图像的语义分割,降低语义分割效果对人工构造的函数的依赖性。本专利技术实施例提供一种模型训练方法,该方法包括:获取样本图像和所述样本图像对应的真实语义信息,所述样本图像对应的真实语义信息包括所述样本图像中各像素点的真实类别信息;将所述样本图像输入到待训练的生成对抗网络中的生成网络,通过所述生成网络的特征提取模块对所述样本图像进行特征提取得到所述样本图像的目标特征图;通过所述生成网络的语义分割模块,基于所述目标特征图确定所述样本图像对应的预测语义信息,所述样本图像对应的预测语义信息包括所述样本图像中各像素点的预测类别信息;通过所述待训练的生成对抗网络中的对抗网络,基于所述样本图像的真实语义信息和预测语义信息,确定所述预测语义信息属于所述样本图像的真实的语义信息的第一概率,以及所述真实语义信息属于所 ...
【技术保护点】
1.一种模型训练方法,其特征在于,包括:/n获取样本图像和所述样本图像对应的真实语义信息,所述样本图像对应的真实语义信息包括所述样本图像中各像素点的真实类别信息;/n将所述样本图像输入到待训练的生成对抗网络中的生成网络,通过所述生成网络的特征提取模块对所述样本图像进行特征提取得到所述样本图像的目标特征图;/n通过所述生成网络的语义分割模块,基于所述目标特征图确定所述样本图像对应的预测语义信息,所述样本图像对应的预测语义信息包括所述样本图像中各像素点的预测类别信息;/n通过所述待训练的生成对抗网络中的对抗网络,基于所述样本图像的真实语义信息和预测语义信息,确定所述预测语义信息属于所述样本图像的真实的语义信息的第一概率,以及所述真实语义信息属于所述样本图像的真实的语义信息的第二概率;/n基于所述第一概率和第二概率调整所述生成对抗网络的参数,得到训练完成的生成对抗网络。/n
【技术特征摘要】
1.一种模型训练方法,其特征在于,包括:
获取样本图像和所述样本图像对应的真实语义信息,所述样本图像对应的真实语义信息包括所述样本图像中各像素点的真实类别信息;
将所述样本图像输入到待训练的生成对抗网络中的生成网络,通过所述生成网络的特征提取模块对所述样本图像进行特征提取得到所述样本图像的目标特征图;
通过所述生成网络的语义分割模块,基于所述目标特征图确定所述样本图像对应的预测语义信息,所述样本图像对应的预测语义信息包括所述样本图像中各像素点的预测类别信息;
通过所述待训练的生成对抗网络中的对抗网络,基于所述样本图像的真实语义信息和预测语义信息,确定所述预测语义信息属于所述样本图像的真实的语义信息的第一概率,以及所述真实语义信息属于所述样本图像的真实的语义信息的第二概率;
基于所述第一概率和第二概率调整所述生成对抗网络的参数,得到训练完成的生成对抗网络。
2.根据权利要求1所述的模型训练方法,其特征在于,所述通过所述生成网络的特征提取模块对所述样本图像进行特征提取得到所述样本图像的目标特征图,包括:
通过所述生成网络的特征提取模块,对所述样本图像进行特征提取,得到所述样本图像的多个尺度的特征图,并对所述多个尺度的特征图进行融合,得到所述样本图像的目标特征图。
3.根据权利要求2所述的模型训练方法,其特征在于,所述特征提取模块包括特征融合层以及至少两层依次连接的特征提取层;
所述通过所述生成网络的特征提取模块,对所述样本图像进行特征提取,得到所述样本图像的多个尺度的特征图,并对所述多个尺度的特征图进行融合,得到所述样本图像的目标特征图,包括:
通过依次连接的所述特征提取层对所述样本图像进行特征提取,得到不同特征提取层输出的不同尺度的特征图;
通过所述特征融合层,对所述不同尺度的特征图按照从最后一层特征提取层到最前一层特征提取层的顺序进行融合,得到所述样本图像的目标特征图。
4.根据权利要求3所述的模型训练方法,其特征在于,所述特征融合层的数量比所述特征提取层少一层;
所述通过特征融合层,对所述不同尺度的特征图按照从最后一层特征提取层到最前一层特征提取层的顺序进行融合,得到所述样本图像的目标特征图,包括:
对输入当前特征融合层的特征图进行尺度转换处理,得到转换后特征图,所述转换后特征图与未参与融合处理的特征图中由最下层特征提取层提取的特征图尺度相同;其中,若当前特征融合层为最后一层特征融合层,输入所述当前融合层的特征图为最后一层特征提取层提取的特征图;
通过所述当前特征融合层对所述转换后特征图,与所述未参与融合处理的特征图中由最下层特征提取层提取的特征图进行特征图融合,将融合后的特征图输入上一层特征融合层,其中,若所述当前特征融合层为最前一层特征融合层,所述当前特征融合层得到的融合后的特征图为目标特征图。
5.根据权利要求1-4任一项所述的模型训练方法,其特征在于,所述获取样本图像和所述样本图像对应的真实语义信息,包括:
获取待训练的生成对抗网络的原始样本图像,所述原始样本图像的标签包括:原始样本图像的原始真实语义信息,所述原始真实语义信息包括所述原始样本图像中各像素点的真实类别信息;
从原始样本图像中,截取至少一个预设尺寸的图像,将截取的图像作为所述待训练的生成对抗网络的样本图像;
基于所述样本图像在对应的原始样本图像中的位置,从所述原始样本图像的原始真实语义信息中获取所述样本图像的真实语义信息。
6.根据权利要求1-4任一项所述的模型训练方法,其特征在于,所述真实语义信息为真实语义图像,所述预测语义信息为预测语义图像;
所述通过所述待训练的生成对抗网络中的对抗网络,基于所述样本图像的真实语义信息和预测语义信息,确定所述预测语义信息属于所述样本图像的真实的语义信息的第一概率,以及所述真实语义信息属于所述样本图像的真实的语义信息的第二概率,包括:
将所述样本图像和对应的真实语义图像级联,得到级联后真实语义图像,将所述样本图像和对应的预测语义图像级联,得到级联后预测语义图像;
通过所述对抗网络的特征获取模块,从所述级联后预测语义图像中获取第一图像特征信息;
通过所述对抗网络的判别模块,基于所述第一图像特征性信息确定所述级联后预测语义图像对应的预测语义图像,属于所述样本图像真实的语义图像的第一概率;
通过所述对抗网络的特征获取模块,从所述级联后真实语义图像中获取第二图像特征信息;
通过所述对抗网络的判别模块,基于所述第二图像特征信息确定所述级联后真实语义图像对应的真实语义图像,属于所述样本图像真实的语义图像的第二概率。
7.根据权利要求1-4任一项所述的模型训练方法,其特征在于,所述基于所述第一概率和第二概率调整所述生成对抗网络的参数,得到训练完成的生成对抗网络,包括:
基于所述第一概率,确定所述生成网络的第一语义分割子损失;
基于所...
【专利技术属性】
技术研发人员:黄超,
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。