模型训练方法、语义分割模型、装置、介质和电子设备制造方法及图纸

本发明专利技术提出了一种模型训练方法、语义分割模型、装置、介质和电子设备，该方法包括：将训练数据变换至目标域，其中，所述训练数据为遥感图像数据；分别将RGB格式的训练数据和NirGB格式的训练数据输入未训练的语义分割模型中进行对比学习，以得到训练好的语义分割模型。如此，通过变换至目标域，可以统一训练样本的风格。同时，通过对比学习的方式进行模型训练，可以在图像中存在红外波段的情况下提高图像识别的准确率。这样，可以提高在遥感图像中的泛化能力。泛化能力。泛化能力。

【技术实现步骤摘要】
模型训练方法、语义分割模型、装置、介质和电子设备


[0001]本专利技术涉及人工智能领域，具体而言，涉及一种模型训练方法、语义分割模型、装置、介质和电子设备。

技术介绍

[0002]领域自适应(域适应)可以解决基于卷积神经网络(CNN)的语义分割方法严重依赖像素级标注数据的挑战。其应用价值在于利用易获取的标注数据来完成对标注成本高昂的现实场景数据的语义分割，大大减少了人工标注成本。或是将某地区现有模型，用于其他地区的预测，即模型泛化问题。
[0003]一个场景下的数据集训练的语义分割模型，并不能很好的适应另一个场景的数据，所以需要对场景进行迁移，从而实现模型对多场景下的数据的良好分割。语义分割是在像素级别进行分类，不适合运用特征自适应。高维特征很复杂，不适合用来进行适配。

技术实现思路

[0004]本专利技术旨在至少解决现有技术中存在的语义分割难以自适应的问题。
[0005]有鉴于此，本专利技术的目的在于提供一种模型训练方法、语义分割模型、装置、介质和电子设备，以解决上述技术问题。
[0006]为了实现上述目的，本专利技术的第一方面的技术方案提供了一种语义分割模型的域适应训练方法，包括：
[0007]将训练数据变换至目标域，其中，所述训练数据为遥感图像数据；
[0008]分别将RGB格式的训练数据和NirGB格式的训练数据输入未训练的语义分割模型中进行对比学习，以得到训练好的语义分割模型。
[0009]可选地，所述将训练数据变换至目标域，包括：
[0010]利用以下迁移公式将训练数据切换至目标域：
[0011]x
s
→
t
＝F
‑1(β*F
A
(x
t
)+(1
‑
β)*FA(x
s
)，F
p
(x
s
))
[0012]其中，β为超参数，x
s
代表源域，x
t
代表目标域，F
A
代表傅里叶变换的振幅， F
p
代表傅里叶变换的相位分量。
[0013]可选地，所述分别将RGB格式的训练数据和NirGB格式的训练数据输入未训练的语义分割模型中进行对比学习，以得到训练好的语义分割模型的步骤中，损失函数为L1损失函数。
[0014]本专利技术第二方面的技术方案提供了一种语义分割模型，该语义分割模型是通过第一方面的语义分割模型的域适应训练方法训练得到。
[0015]可选地，所述语义分割模型为神经网络模型，所述语义分割模型包括第一卷积层、第二卷积层和第三卷积层，所述第一卷积层的归一化层包括IN和BN，所述第二卷积层的归一化层包括BN，所述第三卷积层的归一化层包括BN。
[0016]可选地，所述第一卷积层为1x1卷积，所述第二卷积层为3x3卷积，所述第三卷积层
为1x1卷积。
[0017]本专利技术还提供了一种语义分割模型的域适应训练装置，包括：
[0018]变换模块，被配置为将训练数据变换至目标域，其中，所述训练数据为遥感图像数据；
[0019]训练模块，被配置为分别将RGB格式的训练数据和NirGB格式的训练数据输入未训练的语义分割模型中进行对比学习，以得到训练好的语义分割模型。
[0020]可选地，其特征在于，所述变换模块被配置为通过以下方式将训练数据变换至目标域：
[0021]利用以下迁移公式将训练数据切换至目标域：
[0022]x
s
→
t
＝F
‑1(β*F
A
(x
t
)+(1
‑
β)*FA(x
s
)，Fp(x
s
))
[0023]其中，β为超参数，x
s
代表源域，x
t
代表目标域，F
A
代表傅里叶变换的振幅，F
p
代表傅里叶变换的相位分量。
[0024]本专利技术还提供了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面所提供的方法的步骤、或所述计算机程序被处理器执行时实现第二方面所提供的语义分割模型。
[0025]本专利技术还提供了一种电子设备，包括：
[0026]存储器，其上存储有计算机程序；
[0027]处理器，用于执行所述存储器中的所述计算机程序，以实现第一方面所提供的方法的步骤、或所述计算机程序被处理器执行时实现第二方面所提供的语义分割模型。
[0028]通过上述技术方案，通过变换至目标域，可以统一训练样本的风格。同时，通过对比学习的方式进行模型训练，可以在图像中存在红外波段的情况下提高图像识别的准确率。这样，可以提高在遥感图像中的泛化能力。
[0029]本专利技术的附加方面和优点将在下面的描述部分中变得明显，或通过本专利技术的实践了解到。
附图说明
[0030]图1是根据本专利技术的一个实施例语义分割模型的域适应训练方法的流程图；
[0031]图2是根据本专利技术的一个实施例语义分割模型的域适应训练装置的结构框图；
[0032]图3是根据本专利技术的一个实施例对比学习的效果图；
[0033]图4是根据本专利技术的一个实施例语义分割模型的示意图；
[0034]图5是根据本专利技术的一个实施例电子设备的框图；
[0035]图6是根据本专利技术的一个实施例电子设备的框图。
具体实施方式
[0036]为了可以更清楚地理解本专利技术的上述目的、特征和优点，下面结合附图和具体实施方式对本专利技术进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
[0037]在下面的描述中阐述了很多具体细节以便于充分理解本专利技术，但是，本专利技术还可以采用其他不同于在此描述的其他方式来实施，因此，本专利技术的保护范围并不受下面公开
的具体实施例的限制。
[0038]下面参照图1至图6描述根据本专利技术的一些实施例。
[0039]如图1所示，语义分割模型的域适应训练方法可以包括步骤S11和步骤 S12。
[0040]在步骤S11中，将训练数据变换至目标域，其中，训练数据为遥感图像数据；
[0041]在步骤S12中，分别将RGB格式的训练数据和GNNIR格式的训练数据输入未训练的语义分割模型中进行对比学习，以得到训练好的语义分割模型。
[0042]本方案中，通过变换至目标域，可以统一训练样本的风格。同时，通过对比学习的方式进行模型训练，可以在图像中存在红外波段的情况下提高图像识别的准确率。这样，可以提高在遥感图像中的泛化能力。
[0043]示例性地，将训练数据变换至目标域，包括：
[0044]利用以下迁移公式将训练数据切换至目标域：
[0045]x
s
→
t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的域适应训练方法，其特征在于，包括：将训练数据变换至目标域，其中，所述训练数据为遥感图像数据；分别将RGB格式的训练数据和NirGB格式的训练数据输入未训练的语义分割模型中进行对比学习，以得到训练好的语义分割模型。2.根据权利要求1所述的语义分割模型的域适应训练方法，其特征在于，所述将训练数据变换至目标域，包括：利用以下迁移公式将训练数据切换至目标域：x
s
→
t
＝F
‑1(β*F
A
(x
t
)+(1
‑
β)*F
A
(x
s
)，F
p
(x
s
))其中，β为超参数，x
s
代表源域，x
t
代表目标域，F
A
代表傅里叶变换的振幅，F
p
代表傅里叶变换的相位分量。3.根据权利要求1所述的语义分割模型的域适应训练方法，其特征在于，所述分别将RGB格式的训练数据和NirGB格式的训练数据输入未训练的语义分割模型中进行对比学习，以得到训练好的语义分割模型的步骤中，损失函数为L1损失函数。4.一种语义分割模型，其特征在于，所述语义分割模型是通过权利要求1至3中任一项所述的语义分割模型的域适应训练方法训练得到。5.根据权利要求4所述的语义分割模型，其特征在于，所述语义分割模型为神经网络模型，所述语义分割模型包括第一卷积层、第二卷积层和第三卷积层，所述第一卷积层的归一化层包括IN和BN，所述第二卷积层的归一化层包括BN，所述第三卷积层的归一化层包括BN。6.根据权利要求5所述...

【专利技术属性】
技术研发人员：周祖煜，白博文，张澎彬，林波，陈煜人，莫志敏，张浩，李天齐，刘俊，
申请(专利权)人：杭州领见数字农业科技有限公司，
类型：发明
国别省市：