【技术实现步骤摘要】
一种基于尺度自适应调控的弱监督视频实例分割方法
[0001]本申请涉及视频实例分割
，具体涉及一种基于尺度自适应调控的弱监督视频实例分割方法。
技术介绍
[0002]现阶段，无人驾驶车辆环境感知技术有雷达(Radar)、激光雷达(Lidar)、全球导航卫星系统(GNSS)和惯性测量单元(IMU)以及物联网中的传感器网络技术等。但受限于设备成本高、效率低、可靠性较差且只能识别深度信息而无法表达目标纹理和色彩，上述技术难以满足无人驾驶车辆在全天候、全路段不同状态下的充分感知需求。
[0003]基于深度学习的视频实例分割技术具有超强的对复杂环境感知能力且成本较低，被广泛应用于无人驾驶视觉识别系统，目前无人驾驶车辆在交通场景下自主行进时捕获的运动目标普遍存在尺度动态范围过大，在利用弱监督学习进行视频实例分割中，经常出现视频分割精度不足的现象。
[0004]综上所述，现有技术中存在利用弱监督学习进行视频实例分割，由于仅使用边界框进行网络训练导致大尺度动态范围的视频目标分割精度不足的问题。
技术实现思路
【技术保护点】
【技术特征摘要】
1.一种基于尺度自适应调控的弱监督视频实例分割方法，其特征在于，所述方法包括：获得目标实例分割数据集，并根据预设标签对所述目标实例分割数据集进行数据提取，确定第一交通场景视频实例分割数据集；利用K
‑
聚类对所述第一交通场景视频实例分割数据集进行聚类筛选，得到交通场景视频实例分割数据集；将所述交通场景视频实例分割数据集输入策略输出模型中，输出第一输出结果，其中，所述第一输出结果包括实验参数和模型环境；引入正交损失和颜色相似性损失，构建弱监督损失模块；生成自适应调控参数，基于所述自适应调控参数构建自适应调控模块；基于目标实例多细粒度空间信息构建生成调控模块，其中，所述调控模块包括权重参数，所述权重参数用于调控个尺度特征；基于所述第一输出结果构建模型框架，并根据所述弱监督损失模块、自适应调控模块和所述生成调控模块生成交通场景弱监督视频实例分割模型，利用所述交通场景弱监督视频实例分割模型进行实例分割。2.如权利要求1所述的方法，其特征在于，所述方法还包括：按照预设划分比例，将所述交通场景视频实例分割数据集划分为训练集和测试集；根据训练集获得多个初始训练模型，并根据测试集对所述多个初始训练模型进行测试，获得多个测试值；获取所述多个测试值中最小的值，将其对应的初始训练模型参数作为第一输出结果。3.如权利要求1所述的方法，其特征在于，所述方法还包括：对所述第一交通场景视频实例分割数据集进行特征提取，获得特征集合，其中，所述特征集合包括类型特征集合和数据量特征集合；从所述第一交通场景视频实例分割数据集中任意选取一数据作为第一数据中心；基于所述第一数据中心进行K
‑
聚类分析，获得N个数据集合；遍历所述N个数据集合进行信息论编码运算，获得N个特征信息熵；将所述N个数据集合中低于预设特征信息熵的数据进行剔除，确定所述第一交通场景视频实例分割数据集。4.如权利要求3所述的方法，其特征在于，所述方法还包括：基于所述类型特征集合和所述数据量特征集合提取所述第一数据中心对应的特征，获得第一类型特征和第一数据量特征；遍历所述特征集合，从类型特征和数据量特征两个维度确定所述第一数据中心的相邻数据集合，设定为第一数据集合；从剔除第一数据集合的第一交通场景视频实例分割数据集中任意选取一数据作为第二数据中心，获得第二数据集合；从剔除第一数据集合直至第N
‑
1数据集合的第一交通场景视频实例分割数据集中任意选取一数据作为第N数据中心，获得第N数据集合；根据所述第一数据集合、第二数据集合和第N数据集合获得所述N个数据集合。5.如权利要求1所述的方法，其特征在于，所述方法还包括：构建正交损失函数对边界框偏差进行计算，获得正交损失；
构建颜色相似性损失对像素标签模糊程度进行分析，获得颜色相似性损失；基于正交损失和颜色相似性损失构建弱监督损失模块。6.如权利要求5所述的方法，其特征在于，所述方法还包括：正交损失函数的计算公式：正交损失函数的计算公式：L
pre
＝L
x
+L
y
式中，W、H为输入图片的长和宽，s
n
预测掩码分数每行和每列最大值，x
n
为真实边界框在x轴方向投影，y
n
为真实边界框在y轴方向投影，L
x
为x轴方向的投影损失，L...
【专利技术属性】
技术研发人员：张印辉，海维琪，何自芬，黄滢，程东东，陈光晨，徐林，刘姚敏，
申请(专利权)人：昆明理工大学，
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。