语义分割模型训练方法、语义分割方法及装置制造方法及图纸

本申请涉及一种语义分割模型训练方法、语义分割方法及装置。该方法包括：根据第一边缘图像的每个像素点的第一距离，分别确定第二边缘图像的每个边缘像素点的第二距离，其中所述第二边缘图像的边缘像素点与第一边缘图像的像素点的坐标相同；根据第二边缘图像的每个边缘像素点的第二距离，计算第一边缘图像的像素点的损失值；根据损失值，调整待训练的语义分割模型的参数，获得训练好的语义分割模型。本申请提供的方案，能够准确地计算边缘部分的损失值，能够提高语义分割模型的训练效果，提高语义分割模型的语义分割准确率。语义分割模型的语义分割准确率。语义分割模型的语义分割准确率。

【技术实现步骤摘要】
语义分割模型训练方法、语义分割方法及装置


[0001]本申请涉及图像处理
，尤其涉及一种语义分割模型训练方法、语义分割方法及装置。

技术介绍

[0002]图像语义分割(Semantic Segmentation)是图像处理和是机器视觉技术中关于图像理解的重要一环，也是 AI（Artificial Intelligence，人工智能）领域中一个重要的分支。图像语义分割即是对图像中每一个像素点进行分类，确定每个像素点的类别（如属于背景、人或车等），从而进行区域划分。目前，图像语义分割已经被广泛应用于自动驾驶等场景中。
[0003]相关技术在使用深度学习进行语义分割模型训练时，使用交叉熵或者Dice Loss等损失函数计算损失值，使用损失值对语义分割模型的参数进行调整，完成语义分割模型的训练。相关技术在使用交叉熵或者Dice Loss等损失函数计算损失值时，同等对待边缘区域和非边缘区域，预测的边缘稍有偏差，即使偏差很小，使用交叉熵或者Dice Loss等损失函数计算的损失值也会偏大，使得采用该损失值对语义分割模型的训练不稳定，语义分割模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种语义分割模型训练方法，其特征在于，包括：根据待训练的语义分割模型依据图像输出的预测图像，采用边缘检测算法提取所述预测图像的边缘，获得第一边缘图像；根据所述图像的标注图像，采用边缘检测算法提取所述标注图像的边缘，获得第二边缘图像；分别获得所述第一边缘图像的每个像素点与所述第一边缘图像的边缘像素点的第一距离；根据所述第一边缘图像的每个像素点的第一距离，分别确定所述第二边缘图像的每个边缘像素点的第二距离，其中所述第二边缘图像的边缘像素点的坐标相应地与所述第一边缘图像的像素点的坐标相同；根据所述第二边缘图像的每个边缘像素点的第二距离，计算所述第一边缘图像的像素点的损失值；根据所述损失值，调整所述待训练的语义分割模型的参数，获得训练好的语义分割模型。2.根据权利要求1所述的方法，其特征在于，所述分别获得所述第一边缘图像的每个像素点与所述第一边缘图像的边缘像素点的第一距离，包括：将所述第一边缘图像的每个边缘像素点的像素值设置为第一设定值；分别获得所述第一边缘图像的每个像素点与像素值为所述第一设定值的像素点的第一距离。3.根据权利要求1所述的方法，其特征在于，所述根据所述第二边缘图像的每个边缘像素点的第二距离，计算所述第一边缘图像的像素点的损失值，还包括：计算所述第一边缘图像的每个像素点的交叉熵损失值；分别将所述第一边缘图像的每个边缘像素点的交叉熵损失值相应地乘以（1+所述第二边缘图像的每个边缘像素点的第二距离），分别获得所述第一边缘图像的每个边缘像素点的损失值。4.一种语义分割方法，其特征在于，包括：获取待分割图像；将所述待分割图像输入语义分割模型，获得所述语义分割模型输出的所述待分割图像对应的分割结果，所述语义分割模型根据权利要求1
‑
3中任一项所述的语义分割模型训练方法训练得到。5.一种语义分割模型训练装置，其特征在于，包括：第一图像获取模块，用于根据待训练的语义分割模型依据图像输出的预测图像，采用边缘检测算法提取所述预测图像的边缘，获得第一边缘图像；第二图像获取模块，用于根据所述图像的标注图像，采用所述边缘检测算法提取所述标注图像的边...

【专利技术属性】
技术研发人员：孟鹏飞，朱磊，贾双成，李宁，
申请(专利权)人：智道网联科技北京有限公司，
类型：发明
国别省市：