本发明专利技术公开了基于联合学习的语义边缘检测方法、装置、系统及存储介质，方法包括：预先构建生成对抗网络和边缘检测网络；获取边缘噪声样本，根据所述边缘噪声样本对所述生成对抗网络和边缘检测网络进行噪声学习和边缘检测的联合学习训练，当边缘检测结果达到期望值时得到完成联合学习训练的生成对抗网络和边缘检测网络；将待检测图像输入至所述完成联合学习训练的边缘检测网络后输出语义边缘检测结果。本发明专利技术实施例通过在统一的框架内构建生成对抗网络和边缘检测网络进行联合学习，同时执行噪声学习任务和边缘检测任务，形成闭环训练结构，能有效提高各任务的性能，使得联合学习后得到的边缘检测网络具有更加精确和清晰的语义边缘检测效果。语义边缘检测效果。语义边缘检测效果。
【技术实现步骤摘要】
基于联合学习的语义边缘检测方法、装置、系统及介质
[0001]本专利技术涉及图像处理
，尤其涉及基于联合学习的语义边缘检测方法、装置、系统及存储介质。
技术介绍
[0002]图像边缘是识别一个物体的重要线索，例如在缺少很大一部分边界的情况下，也还是可以仅从草图中识别物体，而边缘也被证明对三维重建、定位和图像生成很有用。
[0003]然而，目前对图像边界进行精确标注速度非常慢，否则达不到精度的要求，因此，大多数现有数据集包含显著的标注噪声，这可能是大多数的检测器输出厚边界预测的根本原因，而厚边界预测对下游任务来说是不可取的。
[0004]因此，现有技术还有待于改进和发展。
技术实现思路
[0005]鉴于上述现有技术的不足，本专利技术的目的在于提供基于联合学习的语义边缘检测方法、装置、系统及存储介质，旨在解决现有技术中的语义边缘预测过厚的问题。
[0006]本专利技术的技术方案如下：一种基于联合学习的语义边缘检测方法，其包括如下步骤：预先构建生成对抗网络和边缘检测网络；获取边缘噪声样本，根据所述边缘噪声样本对所述生成对抗网络和边缘检测网络进行噪声学习和边缘检测的联合学习训练，当边缘检测结果达到期望值时得到完成联合学习训练的生成对抗网络和边缘检测网络；将待检测图像输入至所述完成联合学习训练的边缘检测网络后输出语义边缘检测结果。
[0007]所述的基于联合学习的语义边缘检测方法中，所述生成对抗网络包括用于生成模拟真实噪声样本的生成器网络，以及用于对所述模拟真实噪声样本进行真伪识别以及分类的判别器网络。
[0008]所述的基于联合学习的语义边缘检测方法中，所述构建边缘检测网络，具体包括：构建用于边缘检测的卷积神经网络，以及用于训练所述卷积神经网络的损失函数，其中所述卷积神经网络包括用于对语义边缘进行分类预测的边缘细化层。
[0009]所述的基于联合学习的语义边缘检测方法中，所述损失函数包括交叉熵损失、NMS损失以及方向损失。
[0010]所述的基于联合学习的语义边缘检测方法中，所述边缘细化层具体通过计算边缘法线方向进行边缘分类预测。
[0011]所述的基于联合学习的语义边缘检测方法中，所述获取边缘噪声样本，根据所述边缘噪声样本对所述生成对抗网络和边缘检测网络进行噪声学习和边缘检测的联合学习训练，当边缘检测结果达到期望值时得到完成联合学习训练的生成对抗网络和边缘检测网
络，包括：获取边缘噪声样本并将其输入至所述生成器网络，通过所述生成器网络生成模拟真实噪声样本；将所述模拟真实噪声样本经所述判别器网络识别真伪后输入至所述边缘检测网络；根据当前输入的模拟真实噪声样本以及损失函数对所述边缘检测网络进行边缘检测训练，反馈边缘检测结果至所述生成对抗网络；根据所述边缘检测结果调节所述生成对抗网络的参数直到边缘检测结果达到期望值，得到完成联合学习训练的生成对抗网络和边缘检测网络。
[0012]所述的基于联合学习的语义边缘检测方法中，所述根据当前输入的模拟真实噪声样本以及损失函数对所述边缘检测网络进行边缘检测训练，反馈边缘检测结果至所述生成对抗网络，包括：获取判别器网络识别为真的模拟真实边缘噪声样本并将其输入至所述卷积神经网络；通过所述损失函数对所述卷积神经网络输出的边缘检测结果进行误差评价；根据误差评价结果调节所述卷积神经网络的权重参数，并将所述边缘检测结果反馈至所述生成对抗网络。
[0013]本专利技术又一实施例还提供了一种基于联合学习的语义边缘检测系统，所述系统包括至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述基于联合学习的语义边缘检测方法。
[0014]本专利技术的另一实施例还提供了一种非易失性计算机可读存储介质，所述非易失性计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行时，可使得所述一个或多个处理器执行上述的基于联合学习的语义边缘检测方法。
[0015]本专利技术的另一实施例还提供了一种计算机程序产品，所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被处理器执行时，使所述处理器执行上述的基于联合学习的语义边缘检测方法。
[0016]有益效果：本专利技术公开了基于联合学习的语义边缘检测方法、装置、系统及存储介质，相比于现有技术，本专利技术实施例通过在统一的框架内构建生成对抗网络和边缘检测网络进行联合学习，同时执行噪声学习任务和边缘检测任务，形成闭环训练结构，能有效提高各任务的性能，使得联合学习后得到的边缘检测网络具有更加精确和清晰的语义边缘检测效果。
附图说明
[0017]下面将结合附图及实施例对本专利技术作进一步说明，附图中：图1为本专利技术提供的基于联合学习的语义边缘检测方法较佳实施例的流程图；图2为本专利技术提供的基于联合学习的语义边缘检测方法较佳实施例中步骤S200的流程图；图3为本专利技术提供的基于联合学习的语义边缘检测方法较佳实施例中步骤S203的流程
图；图4为本专利技术提供的基于联合学习的语义边缘检测装置较佳实施例的功能模块示意图；图5为本专利技术提供的基于联合学习的语义边缘检测系统较佳实施例的硬件结构示意图。
具体实施方式
[0018]为使本专利技术的目的、技术方案及效果更加清楚、明确，以下对本专利技术进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。以下结合附图对本专利技术实施例进行介绍。
[0019]请参阅图1，图1为本专利技术提供的基于联合学习的语义边缘检测方法较佳实施例的流程图。如图1所示，其包括如下步骤：S100、预先构建生成对抗网络和边缘检测网络；S200、获取边缘噪声样本，根据所述边缘噪声样本对所述生成对抗网络和边缘检测网络进行噪声学习和边缘检测的联合学习训练，当边缘检测结果达到期望值时得到完成联合学习训练的生成对抗网络和边缘检测网络；S300、将待检测图像输入至所述完成联合学习训练的边缘检测网络后输出语义边缘检测结果。
[0020]本实施例中，先构建相应的生成对抗网络和边缘检测网络，生成对抗网络(GAN)在生成高质量数据方面具有良好表现，通常由一个生成器网络和一个判别器网络组成，即本实施例中所述生成对抗网络包括用于生成模拟真实噪声样本的生成器网络，以及用于对所述模拟真实噪声样本进行真伪识别以及分类的判别器网络，通过这两个网络之间的对抗性优化，能够从训练的边缘噪声样本数据中生成模拟真实边缘噪声分布的合成样本，因此本实施例获取边缘噪声样本后根据所述边缘噪声样本对所述生成对抗网络和边缘检测网络进行噪声学习和边缘检测的联合学习任务，同时执行噪声学习任务和边缘检测任务以形成闭环训练结构，最终当边缘检测结果达到期望值时得到完成联合学习训练的生成对抗网络和边缘检测网络，该边缘检测网络由于在训练过程中加入了生成对抗网络的噪声学习，完成联合学习的生成对抗网络可生成无本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于联合学习的语义边缘检测方法，其特征在于，包括如下步骤：预先构建生成对抗网络和边缘检测网络；获取边缘噪声样本，根据所述边缘噪声样本对所述生成对抗网络和边缘检测网络进行噪声学习和边缘检测的联合学习训练，当边缘检测结果达到期望值时得到完成联合学习训练的生成对抗网络和边缘检测网络；将待检测图像输入至所述完成联合学习训练的边缘检测网络后输出语义边缘检测结果。2.根据权利要求1所述的基于联合学习的语义边缘检测方法，其特征在于，所述生成对抗网络包括用于生成模拟真实噪声样本的生成器网络，以及用于对所述模拟真实噪声样本进行真伪识别以及分类的判别器网络。3.根据权利要求2所述的基于联合学习的语义边缘检测方法，其特征在于，所述构建边缘检测网络，具体包括：构建用于边缘检测的卷积神经网络，以及用于训练所述卷积神经网络的损失函数，其中所述卷积神经网络包括用于对语义边缘进行分类预测的边缘细化层。4.根据权利要求3所述的基于联合学习的语义边缘检测方法，其特征在于，所述损失函数包括交叉熵损失、NMS损失以及方向损失。5.根据权利要求3所述的基于联合学习的语义边缘检测方法，其特征在于，所述边缘细化层具体通过计算边缘法线方向进行边缘分类预测。6.根据权利要求3所述的基于联合学习的语义边缘检测方法，其特征在于，所述获取边缘噪声样本，根据所述边缘噪声样本对所述生成对抗网络和边缘检测网络进行噪声学习和边缘检测的联合学习训练，当边缘检测结果达到期望值时得到完成联合学习训练的生成对抗网络和边缘检测网络，包括：获取边缘噪声样本并将其输入至所述生成器网络，通过所述生成器网络生成模拟真实噪声样本；将所述模拟真实噪声样本经所述判别器网络识别真伪后输入至所述边缘检测网络；根据当前输入的模拟真实噪声样本以及损失函数对所述边缘检测网络进行边缘检测训练，反馈边缘检测...
【专利技术属性】
技术研发人员：李天驰，孙悦，王帅，
申请(专利权)人：深圳点猫科技有限公司，
类型：发明
国别省市：
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。