语义分割方法、装置、电子设备及存储介质制造方法及图纸

本公开实施例公开了一种语义分割方法、装置、电子设备及存储介质，所述方法包括：获取待分割图像；利用预先构建的图像语义分割模型对所述待分割图像进行语义分割，获得语义分割结果；其中，所述图像语义分割模型利用未经标注的目标域样本图像集以及对应有标注标签的源域样本图像集构建得到，所述待分割图像属于所述目标域样本图像集对应的目标域；输出所述语义分割结果。该技术方案能够构建出准确度更高的图像语义分割模型，进而能够利用构建出的图像语义分割模型对目标域的待分割图像进行高质量的语义分割。质量的语义分割。质量的语义分割。

【技术实现步骤摘要】
语义分割方法、装置、电子设备及存储介质


[0001]本公开涉及计算机
，具体涉及一种语义分割方法、装置、电子设备及存储介质。

技术介绍

[0002]在图像处理领域中，图像分类例如遥感图像语义分割是最基本的研究问题之一。随着深度学习技术的日渐成熟，深度神经网络可以利用大量标注数据在一些监督学习问题上实现人类或超过人类的认知表现。然而，在海量数据应用场景，比如遥感影像场景下，采用监督学习的深度学习存在如下的实际应用问题：1)深度神经网络依赖于充足的训练样本；2)不同域的遥感影像间的差异很大。在一些图像应用场景下，获取大量的高精度、高质量的标注数据较为困难，但是获取大量的无标注数据较为容易，所以如何将已经过标注的源域训练数据迁移至目标域，并利用迁移后的训练数据以及未经过标注的目标域训练数据训练得到准确度高、且应用于目标域的图像语义分割模型是当前需要解决的技术问题之一。

技术实现思路

[0003]本公开实施例提供一种语义分割方法、装置、电子设备及计算机可读存储介质。
[0004]第一方面，本公开实施例中提供了一种语义分割方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种语义分割方法，其中，包括：获取待分割图像；利用预先构建的图像语义分割模型对所述待分割图像进行语义分割，获得语义分割结果；其中，所述图像语义分割模型利用未经标注的目标域样本图像集以及对应有标注标签的源域样本图像集构建得到，所述待分割图像属于所述目标域样本图像集对应的目标域；输出所述语义分割结果。2.根据权利要求1所述的方法，其中，所述方法还包括：获取未经标注的所述目标域样本图像集以及对应有标注标签的所述源域样本图像集；将所述源域样本图像集迁移至所述目标域样本图像集对应的目标域，获得迁移样本图像集；利用所述目标域样本图像集和所述迁移样本图像集构建图像语义分割模型。3.根据权利要求2所述的方法，其中，将所述源域样本图像集迁移至所述目标域样本图像集对应的目标域，获得迁移样本图像集，包括：利用从所述源域样本图像集以及所述目标域样本图像集中抽取的部分样本图像训练得到图像迁移模型；利用所述图像迁移模型将所述源域样本图像集中的所述源域样本图像迁移至所述目标域，获得所述迁移样本图像集。4.根据权利要求2或3所述的方法，其中，利用所述目标域样本图像集和所述迁移样本图像集构建图像语义分割模型，包括：利用所述迁移样本图像集以及所述迁移样本图像集中迁移样本图像对应的标注标签获取所述目标域样本图像集中目标域样本图像的初始标签；其中，所述迁移样本图像对应的标注标签与所述迁移样本图像对应的源域样本图像的标注标签一致；利用所述目标域样本图像集以及所述初始标签、所述迁移样本图像集以及所述标注标签对所述图像语义分割模型进行训练。5.根据权利要求4所述的方法，其中，利用所述迁移样本图像集以及所述迁移样本图像集中迁移样本图像对应的标注标签获取所述目标域样本图像集中目标域样本图像的初始标签，包括：利用所述迁移样本图像集以及所述源域样本图像集对应的标注标签对图像语义分割模型进行初始训练；利用初始训练后的所述图像语义分割模型获取所述目标域样本图像集的初始标签。6.根据权利要求5所述的方法，其中，利用所述目标域样本图像集以及所述初始标签、所述迁移样本图像集以及所述标注标签对所述图像语义分割模型进行训练，包括：利用至少两组样本集对所述图像语义分割模型进行联合训练；所述至少两组样本集包括所述目标域样本图像集以及对应的所述初始标签、所述迁移样本图像集以及对应的所述标注标签和变换样本图像集中的至少两种；所述变换样本图像集通过对所述目标域样本图像集中的目标域样本图像进行变换得到。7.根据权利要求6所述的方法，其中，利用至少两组样本集对所述图像语义分割模型进行联合训练，包括：利用联合损失对所述图像语义分割模型的模型参数进行调整；其中，所述联合损失包
括至少两个损失，所述至少两个损失分别利用所述至少两组样本集中的样本图像构建。8.根据权利要求7所述的方法，其中，利用联合损失对所述图像语义分割模型的模型参数进行调整，包括：利用初始训练的所述图像语义分割模型对所述迁移样本图像集中的迁移样本图像进行预测处理，根据预测处理结果以及所述标注标签获取第一损失；利用初始训练的所述图像语义分割模型对所述目标域样本图像集进行预测处理，根据预测处理结果以及所述初始标签获取第二损失；利用所述图像语义分割模型获取所述目标域样本图像集以及所述变换样本图像集之间的一致性损失；利用所述第一损失、所述第二损失和所述一致性损失调整所述图像语义分割模型的模型参数。9.根据权利要求8所述的方法，其中，利用至少两组样本集对所述图像语义分割模型进行联合训练，还包括：对所述目标域样本图像集中的目标域样本图像进行仿射变换，得到所述变换样本图像集。10.根据权利要求5
‑
9任一项所述的方法，其中，利用初始训练后的所述图像语义分割模型获取所述目标域样本图像集的初始标签，包括：利用初始训练后的所述图像语义分割模型对目标域样本图像进行语义分割，获得所述目标域样本图像的语义分割结果；根据所述语义分割结果确定所述目标域样本图像的初始标签。11.根据权利要求10所述的方法，其中，所述语义分割结果包括像素级别的语义分类置信度；根据所述语义分割结果确定所述目标域样本图像的初始标签，包括：根据所述语义分类置信度从所述目标域样本图像中选取候选像素；根据所述候选像素的语义分类置信度确定所述目标域样本图像的初始标签。12.根据权利要求11所述的方法，其中，根据所述语义分割结果确定所述目标域样本图像的初始标签，还包括：输出所述目标域样本图像的初始标签，并接收用户对所述初始标签的反馈数据；根据所述反馈数据对所述初始标签进行调整。13.根据权利要求11所述的方法，其中，所述语义分割结果包括像素级别的语义分类置信度；根据所述语义分割结果确定所述目标域样本图像的初始标签，包括：在所述语义分类置信度符合置信度阈值条件时，输出所述目标域样本图像；接收用户对所述目标域样本图像的标注结果，将所述标注结果确定为所述目标域样本图像的初始标签。14.根据权利要求1
‑
3、5
‑
9、11
‑
13任一项所述的方法，其中，所述目标域样本图像集包括目标域的多个遥感图像；所述源域样本图像集包括源域的多个遥感图像；所述目标域和所述源域不同。15.一种语义分割方法，其中，包括：获取待分割遥感图像；利用预先构建的图像语义分割模型对所述待分割遥感图像进行语义分割，获得语义分
割结果；其中，所述图像语义分割模型利用未经标注的目标域遥感图像集以及经过标注的源域遥感图像集构建；所述待分割遥感图像属于所述目标域遥感图像集对应的目标域；输出所述语义分割结果。16.根据权利要求15所述的方法，其中，所述方法还包括：获取未经标注的所述目标域遥感图像集以及经过标注的所述源域遥感图像集；将所述源域遥感图像集迁移至所述目标域遥感图像集对应的目标域，获得迁移遥感图像集；利用所述目标域遥感图像集和所述迁移遥感图像集构建图像语义分割模型。17.根据权利要求16所述的方法，其中，将所述源域遥感图像集迁移至所述目标域遥感图像集对应的目标域，获得迁移遥感图像集，包括：利用所述源域遥感图像集中随机抽取的源域遥感图像以及所述目标域遥感图像集中随机抽取的目标域遥感图像训练图像迁移模型；利用利用所述图像迁移模型获取所述源域遥感图像集对应的目标域中的迁移遥感图像集。18.根据权利要求16或17所述的方法，其中，利用所述目标域遥感图像集和所述迁移遥感图像集构建图像语义分割模型，包括：利用所述迁移遥感图像集以及所述源域遥感图像集对应的标注标签对图像语义分割模型进行初始训练；利用初始训练后的所述图像语义分割模型获取所述目标...

【专利技术属性】
技术研发人员：杨喆，袁建龙，陈伟涛，陈磊，刘尚，胡媛，王志斌，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：