基于切块补丁学习的语义分割网络训练方法、设备及介质技术

本发明专利技术适用于机器视觉技术领域，提供了一种基于切块补丁学习的语义分割网络训练方法、装置、电子设备及存储介质，该方法包括：使用预设的切块补丁学习机制对分类网络进行训练，得到训练好的分类网络，使用所述训练好的分类网络预测训练样本的类别激活图，基于所述类别激活图获取所述训练样本的伪标签分割图，基于所述训练样本以及所述伪标签分割图，训练语义分割网络，得到训练好的语义分割网络，从而通过在卷积块中应用切块补丁学习机制提高了类别激活图的质量，进而提高了分割网络的训练效果。果。果。

【技术实现步骤摘要】
基于切块补丁学习的语义分割网络训练方法、设备及介质


[0001]本专利技术属于机器视觉
，尤其涉及一种基于切块补丁学习的语义分割网络训练方法、装置、电子设备及存储介质。

技术介绍

[0002]语义分割技术作为计算机视觉基本任务之一，是基于给定的一张图像，对图像中的所有的前景目标准确地划分出各自不同类别像素区域的分类，预测出其对应精确到像素的分割掩码。近年来，随着深度学习技术的发展，使用精确到像素级别的人工标注数据集，训练一个基于深度学习的语义分割网络，基于这样的深度学习语义分割技术的算法层出不穷，并且也有达到不错的语义分割性能。但是这项技术的一个很大的痛点在于需要大量人工标注的像素级别分割数据集，采用数据驱动的深度学习模型才能达到一个不错的性能，这种数据驱动的训练方式是建立在大量人工标注的数据集的基础上。
[0003]弱监督语义分割技术的出现，可以在很大程度上缓解这种需要大量人工标注成本的难题。目前基于弱监督语义分割技术的方式主要有基于图像级的标注，基于点的标注，基于涂鸦方式的标注以及基于检测框的标注等。这几种弱监督标注方式中，基本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于切块补丁学习的语义分割网络训练方法，其特征在于，所述方法包括：使用预设的切块补丁学习机制对分类网络进行训练，得到训练好的分类网络，其中，所述切块补丁学习机制用于对目标卷积块的输出特征图执行预设的打散操作，将执行所述打散操作后得到的多个第一特征分块输入到所述目标卷积块之后的网络层，得到多个第二特征分块，对所述多个第二特征分块执行预设的合并操作，将执行所述合并操作后得到的拼接特征图与原始输出特征图级联后输入到所述分类网络的分类网络层；使用所述训练好的分类网络预测训练样本的类别激活图；基于所述类别激活图获取所述训练样本的伪标签分割图；基于所述训练样本以及所述伪标签分割图，训练语义分割网络，得到训练好的语义分割网络。2.如权利要求1所述的方法，其特征在于，所述打散操作用于将所述目标卷积块的输出特征图等分切割后输入到第一共享卷积层中，得到所述多个第一特征分块；所述合并操作用于将所述多个第二特征分块输入到第二共享卷积层中，得到多个第三特征分块，并拼接所述多个第三特征分块，得到所述拼接特征图。3.如权利要求1所述的方法，其特征在于，使用预设的切块补丁学习机制对分类网络进行训练的步骤，包括：在当前目标卷积块中使用所述切块补丁学习机制以对所述分类网络进行训练，其中，当前目标卷积块为所述分类网络中的任一卷积块；判断当前目标卷积块是否为所述分类网络的最后一个卷积块，是则，确定所述分类网络训练完成，否则，将当前目标卷积块的下一卷积块作为当前目标卷积块，并跳转至在当前目标卷积块中使用所述切块补丁学习机制以对所述分类网络进行训练的步骤。4.如权利要求1所述的方法，其特征在于，使用预设的切块补丁学习机制对分类网络进行训练的步骤，还包括：使用所述切块补丁学习机制，对引入多分支共享网络的分类网络进行训练，其中，所述多分支共享网络包含多个网络分支，每个所述网络分支中使用所述切块补丁学习机制的目标卷积块不同、且所述目标卷积块的特征图相同位置权值共享。5.一种基于切块补丁学习的语义分割网络训练装置，其特征在于，所述装置包括：分类网络训练单元，用于使用预设的切块补丁学习机制对分类网络进行训练，得到训练好的分类网络，其中，所述切块补丁学习机制用于对目标卷积块的输出特征图执行预设...

【专利技术属性】
技术研发人员：王旭，李金龙，江健民，
申请(专利权)人：深圳大学，
类型：发明
国别省市：