本发明专利技术提供了分割网络训练方法，装置、电子设备及服务器，方法包括：通过所述源域数据集合，得到经过训练的基础分割网络；通过基础分割网络，提取源域数据集合对应的第一原型向量；通过基础分割网络，提取目标域数据集合对应的目标特征向量；根据所述第一原型向量和所述目标特征向量的相似性函数，进行对比迁移处理，确定所述基础分割网络的迁移损失函数；通过所述迁移损失函数，对所述基础分割网络进行调整，得到第一分割网络；利用所述目标特征向量对所述第一原型向量进行更新，得到第二原型向量；通过所述第二原型向量对所述第一分割网络进行调整，得到第二分割网络，由此，在兼顾了训练精确性的同时，使得分割网络的泛化能力更强。强。强。
【技术实现步骤摘要】
分割网络训练方法、装置、设备、计算机程序以及介质
[0001]本专利技术涉及图像信息处理技术，尤其涉及分割网络训练方法、装置、电子设备、计算机程序产品以及存储介质，使得本方案可应用的领域包括但不限于自动驾驶、车联网、智慧交通等领域。
技术介绍
[0002]语义分割是对图像中的每一个像素赋予一个语义标签。目前基于深度学习的语义分割方法需要大规模的人工精细化标注，而精细化标注的时间和人力成本极高，因此利用已有的有标注源域数据训练模型，在无标注的目标域上进行有效推理，进而在目标域上实现无监督的语义分割，此种方法称为无监督域适应语义分割，无监督域适应语义分割任务，其核心在于缩小源域与目标域之间的域间差异，使得在源域上训练的模型在目标域上的泛化能力尽可能地强。目前主流的域适应策略可以分为基于距离优化的方法和基于对抗生成网络(Generative Adversarial Network，GAN)的方法，前者通过构建距离评价策略，通过最小化源域特征与目标域特征分布之间的距离来实现域适应；后者通过对抗生成策略来实现模型对域间差异的泛化能力。但是，实际使用中往往会遇到测试场景的数据和模型训练数据不完全一致的情况，需要重新进行人工标注，增加了模型训练成本。
技术实现思路
[0003]有鉴于此，本专利技术实施例提供一种分割网络训练方法、装置、电子设备、计算机程序产品以及存储介质，本专利技术实施例的技术方案是这样实现的：
[0004]本专利技术实施例提供了一种分割网络训练方法，包括：
[0005]获取源域数据集合与目标域数据集合，其中，所述源域数据集合携带标签，所述目标域数据集合未携带标签；
[0006]通过所述源域数据集合，对基础分割网络进行训练，得到经过训练的基础分割网络；
[0007]通过所述基础分割网络，提取所述源域数据集合对应的第一原型向量；
[0008]通过所述基础分割网络，提取所述目标域数据集合对应的目标特征向量；
[0009]根据所述第一原型向量和所述目标特征向量的相似性函数，进行对比迁移处理，确定所述基础分割网络的迁移损失函数；
[0010]通过所述迁移损失函数，对所述基础分割网络进行调整，得到第一分割网络；
[0011]利用所述目标特征向量对所述第一原型向量进行更新，得到第二原型向量；
[0012]通过所述第二原型向量对所述第一分割网络进行调整，得到第二分割网络。
[0013]本专利技术实施例还提供了一种分割网络训练装置，包括：
[0014]信息传输模块，用于获取源域数据集合与目标域数据集合，其中，所述源域数据集合携带标签，所述目标域数据集合未携带标签；
[0015]训练模块，用于通过所述源域数据集合，对基础分割网络进行训练，得到经过训练
的基础分割网络；
[0016]所述训练模块，用于通过所述基础分割网络，提取所述源域数据集合对应的第一原型向量；
[0017]所述训练模块，用于通过所述基础分割网络，提取所述目标域数据集合对应的目标特征向量；
[0018]所述训练模块，用于根据所述第一原型向量和所述目标特征向量的相似性函数，进行对比迁移处理，确定所述基础分割网络的迁移损失函数；
[0019]所述训练模块，用于通过所述迁移损失函数，对所述基础分割网络进行调整，得到第一分割网络；
[0020]所述训练模块，用于利用所述目标特征向量对所述第一原型向量进行更新，得到第二原型向量；
[0021]所述训练模块，用于通过所述第二原型向量对所述第一分割网络进行调整，得到第二分割网络。
[0022]上述方案中，
[0023]所述训练模块，用于确定所述源域数据集合中的图像数量、图像类别数量、图像尺寸数据；
[0024]所述训练模块，用于对所述图像类别数量、图像尺寸数据进行独热编码处理，形成源域图像特征向量；
[0025]所述训练模块，用于基于所述图像数量、所述图像类别数量、所述图像尺寸数据以及所述源域图像特征向量，确定所述基础分割网络对应的交叉熵损失函数；
[0026]所述训练模块，用于基于所述交叉熵损失函数，通过所述源域数据集合，对所述基础分割网络进行训练，得到经过训练的基础分割网络。
[0027]上述方案中，
[0028]所述训练模块，用于通过所述基础分割网络，提取所述源域数据集合对应的源域特征向量
[0029]所述训练模块，用于基于所述源域数据集合的特征标签、所述图像数量、所述图像类别数量、所述图像尺寸数据和所述源域特征向量，计算所述源域数据集合对应的第一原型向量。
[0030]上述方案中，
[0031]所述训练模块，用于通过所述基础分割网络，提取所述源域数据集合对应的源域特征向量
[0032]所述训练模块，用于基于所述源域数据集合的特征标签、所述图像数量、所述图像类别数量、所述图像尺寸数据和所述源域特征向量，计算所述源域数据集合对应的第一原型向量。
[0033]上述方案中，
[0034]所述训练模块，用于计算所述第一原型向量和所述目标特征向量的相似性函数；
[0035]所述训练模块，用于获取所述标域数据集合的伪标签；
[0036]所述训练模块，用于根据所述相似性函数、所述图像类别数量、所述图像尺寸数据和所述伪标签，确定迁移学习损失函数；
[0037]所述训练模块，用于根据所述相似性函数、所述图像类别数量、所述图像尺寸数据和所述源域图像特征向量，确定类间约束损失函数；
[0038]所述训练模块，用于基于所述迁移学习损失函数和所述类间约束损失函数，确定所述基础分割网络的迁移损失函数。
[0039]上述方案中，
[0040]所述训练模块，用于确定所述源域数据集合的标签输出空间的损失函数；
[0041]所述训练模块，用于基于所述标签输出空间的损失函数、所述迁移学习损失函数和所述类间约束损失函数，确定所述基础分割网络的迁移损失函数。
[0042]上述方案中，
[0043]所述训练模块，用于当所述目标域数据集合为医疗图像集合时，
[0044]所述训练模块，用于将所述医疗图像集合，代入所述基础分割网络的迁移损失函数；
[0045]所述训练模块，用于确定所述基础分割网络的迁移损失函数满足相应的收敛条件时所述基础分割网络的编码器和解码器对应所述更新参数；
[0046]所述训练模块，用于通过所述更新参数对所述基础分割网络进行调整，得到第一分割网络。
[0047]上述方案中，
[0048]所述训练模块，用于确定控制更新速率的超参数；
[0049]所述训练模块，用于获取所述目标域数据集合中任一类型像素在不同更新阶段的像素数量；
[0050]所述训练模块，用于基于所述像素数量和所述超参数，基于所述目标特征向量对所述第一原型向量进行更新，得到所述第二原型向量。
[0051]上述方案中，还包括：
[005本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种分割网络训练方法，其特征在于，所述方法包括：获取源域数据集合与目标域数据集合，其中，所述源域数据集合携带标签，所述目标域数据集合未携带标签；通过所述源域数据集合，对基础分割网络进行训练，得到经过训练的基础分割网络；通过所述基础分割网络，提取所述源域数据集合对应的第一原型向量和所述目标域数据集合对应的目标特征向量；根据所述第一原型向量和所述目标特征向量的相似性函数，进行对比迁移处理，确定所述基础分割网络的迁移损失函数；通过所述迁移损失函数，对所述基础分割网络进行调整，得到第一分割网络；利用所述目标特征向量对所述第一原型向量进行更新，得到第二原型向量；通过所述第二原型向量对所述第一分割网络进行调整，得到第二分割网络。2.根据权利要求1所述的方法，其特征在于，所述通过所述源域数据集合，对基础分割网络进行训练，得到经过训练的基础分割网络，包括：确定所述源域数据集合中的图像数量、图像类别数量、图像尺寸数据；对所述图像类别数量、图像尺寸数据进行独热编码处理，形成源域图像特征向量；基于所述图像数量、所述图像类别数量、所述图像尺寸数据以及所述源域图像特征向量，确定所述基础分割网络对应的交叉熵损失函数；基于所述交叉熵损失函数，通过所述源域数据集合，对所述基础分割网络进行训练，得到经过训练的基础分割网络。3.根据权利要求2所述的方法，其特征在于，所述通过所述基础分割网络，提取所述源域数据集合对应的第一原型向量，包括：通过所述基础分割网络，提取所述源域数据集合对应的源域特征向量；基于所述源域数据集合的特征标签、所述图像数量、所述图像类别数量、所述图像尺寸数据和所述源域特征向量，计算所述源域数据集合对应的第一原型向量。4.根据权利要求2所述的方法，其特征在于，所述根据所述第一原型向量和所述目标特征向量的相似性函数，进行对比迁移处理，确定所述基础分割网络的迁移损失函数，包括：计算所述第一原型向量和所述目标特征向量的相似性函数；获取所述标域数据集合的伪标签；根据所述相似性函数、所述图像类别数量、所述图像尺寸数据和所述伪标签，确定迁移学习损失函数；根据所述相似性函数、所述图像类别数量、所述图像尺寸数据和所述源域图像特征向量，确定类间约束损失函数；基于所述迁移学习损失函数和所述类间约束损失函数，确定所述基础分割网络的迁移损失函数。5.根据权利要求4所述的方法，其特征在于，所述方法还包括：确定所述源域数据集合的标签输出空间的损失函数；基于所述标签输出空间的损失函数、所述迁移学习损失函数和所述类间约束损失函数，确定所述基础分割网络的迁移损失函数。6.根据权利要求4所述的方法，其特征在于，所述通过所述迁移...
【专利技术属性】
技术研发人员：蒋正锴，李昱希，刘亮，王亚彪，邰颖，汪铖杰，
申请(专利权)人：腾讯科技上海有限公司，
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。