图像语义分割模型训练方法、图像语义分割方法及装置制造方法及图纸

本申请涉及一种图像语义分割模型训练方法，根据待分割图像中所有像素的标签真值，对待分割图像进行边缘检测，得到待分割图像每个类别的物体边缘图像；获取图像预测结果，并依据图像预测结果计算预测结果中每个像素的梯度，生成像素梯度图，并根据像素梯度图得到每个像素的梯度反正切图；依据物体边缘图像和梯度反正切图获得待训练的图像语义分割模型预测待分割图像中每个像素对应的辅助损失值；根据辅助损失值与主损失函数得到的损失值计算待分割图像中各类别的每个像素的总体损失值；根据总体损失值，调整图像语义分割模型的参数，获得训练好的图像语义分割模型。本申请能够提高图像语义分割模型的训练效果，提高语义分割准确率。分割准确率。分割准确率。

【技术实现步骤摘要】
图像语义分割模型训练方法、图像语义分割方法及装置


[0001]本申请涉及图像处理
，尤其涉及一种图像语义分割模型训练方法、图像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图像语义分割模型训练时，使用交叉熵等损失函数计算损失值，使用损失值对图像语义分割模型的参数进行调整，完成图像语义分割模型的训练。相关技术在使用交叉熵等损失函数计算损失值时，使用全局平均的方式，当所有像素中有少量比较不好的点时(即求和的部分有少量数值较大)，最终的损失值仍然会比较小。在实际使用时，会发现边缘检测结果的边缘误检测比较多，即在边缘位置很容易识别错像素所属的类别本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像语义分割模型训练方法，其特征在于，包括：根据待分割图像中所有像素的标签真值，对所述待分割图像进行边缘检测，得到所述待分割图像每个类别的物体边缘图像；获取图像预测结果，并依据所述图像预测结果计算所述预测结果中每个像素的梯度，生成像素梯度图，并根据所述像素梯度图得到每个像素的梯度反正切图；依据所述物体边缘图像和所述梯度反正切图获得待训练的图像语义分割模型预测所述待分割图像中每个像素对应的辅助损失值；根据所述辅助损失值与主损失函数得到的损失值计算所述待分割图像中各类别的每个像素的总体损失值；根据所述总体损失值，调整图像语义分割模型的参数，获得训练好的图像语义分割模型。2.根据权利要求1所述的方法，其特征在于，所述根据待分割图像中所有像素的标签真值，对所述待分割图像进行边缘检测，得到所述待分割图像每个类别的物体边缘图像，包括：根据所述待分割图像的标注数据，获得所述待分割图像中所有像素的标签真值；依据邻域像素的标签真值法或者图像像素值梯度法，对所述待分割图像中所有像素的标签真值进行边缘检测，得到所述待分割图像每个类别的物体边缘图像。3.根据权利要求1所述的方法，其特征在于，所述依据图像预测结果，计算所述预测结果中每个像素的梯度，生成像素梯度图，并根据所述像素梯度图得到每个像素的梯度反正切图，包括：依据图像预测结果，使用Sobel算子计算所述预测结果中每个像素的梯度，生成像素梯度图；依据所述像素梯度值由预设计算公式得到每个像素的梯度反正切图，所述预设计算公式ArctanMap(i,j,c)＝arctan(α
×
Grad(i,j,c))，其中，α为超参数，Grad(i,j,c)为像素梯度图，G
x
(i,j,c)和G
y
(i,j,c)分别为x，y方向的梯度图。4.根据权利要求1所述的方法，其特征在于，所述根据所述总体损失值，调整图像语义分割模型的参数，获得训练好的图像语义分割模型，包括：根据图像语义分割模型预测所述图像中各类别的每个像素的损失值，获得图像语义分割模型预测所述待分割图像的平均损失值；根据所述平均损失值，调整图像语义分割模型的参数，获得训练好的图像语义分割模型。5.一种图像语义分割方法，其特征在于，包括：其特征在于，获取待分割图像；将所述待分割图...

【专利技术属性】
技术研发人员：单国航，贾双成，朱磊，
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：