本发明专利技术涉及一种流数据图像语义分割模型训练方法、系统及可读存储介质，涉及图像分割技术领域，所述训练方法包括基于流数据划分策略将流数据集划分为多个数据子集；基于多个数据子集分别训练多个图像语义分割模型；其中数据子集一一对应图像语义分割模型，每个图像语义分割模型具有可识别类别，用于识别对应的流数据的数据类别；基于图像语义分割模型具有的可识别类别以及图像语义分割模型的动态投票权重将多个图像语义分割模型集成为总分割模型；总分割模型识别输入的流数据的数据类别，并根据图像语义分割模型的动态投票权重进行语义分割。本发明专利技术可以在使用尽可能少的存储和训练资源情况下，提升流数据图像语义分割模型的分割效果。的分割效果。的分割效果。
【技术实现步骤摘要】
流数据图像语义分割模型训练方法、系统及可读存储介质
[0001]本专利技术涉及图像分割
，尤其是涉及一种流数据图像语义分割模型训练方法、系统及可读存储介质。
技术介绍
[0002]图像语义分割是计算机视觉中非常重要的任务。它的目标是为图像中的每个像素分类。它的应用领域包括但不限于：自动驾驶、图像美化、三维重建等等。如果能够快速准确地做图像分割，很多问题将会迎刃而解。然而在实际应用中面临的是动态持续生成的流数据，语义分割模型需要更新迭代学习新知识，这时使用历史全量数据进行训练是不经济不现实的。特别是流数据分布是动态不稳定的，且会出现模型未学习到的知识，模型识别效果急剧下降。目前主要的方案有以下几种：1、增加时间，使用尽可能多的数据和算力使得模型达到最优，但提升有限，且在实际应用中受限于工期，不宜多用；2、使用集成策略，在不增加数据、算力及优化模型的前提下提升一定的模型效果，但是目前无法覆盖流数据及类别增加的场景。
技术实现思路
[0003]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0004]为了在使用尽可能少的存储和训练资源情况下提升流数据图像语义分割效果，本专利技术提供一种流数据图像语义分割模型训练方法、系统及可读存储介质。
[0005]第一方面，本专利技术提供的一种流数据图像语义分割模型训练方法，采用如下的技术方案：一种流数据图像语义分割模型训练方法，包括：基于流数据划分策略将流数据集划分为多个数据子集；基于所述多个数据子集分别训练多个图像语义分割模型；其中所述数据子集一一对应所述图像语义分割模型，每个所述图像语义分割模型具有可识别类别，用于识别对应的流数据的数据类别；基于所述图像语义分割模型具有的可识别类别以及所述图像语义分割模型的动态投票权重将所述多个图像语义分割模型集成为总分割模型；所述总分割模型识别输入的流数据的数据类别，并根据所述图像语义分割模型的动态投票权重进行语义分割。
[0006]进一步的，所述基于流数据划分策略将流数据集划分为多个数据子集包括：获取连续图像的动态流数据形成所述流数据集；
根据流数据集大小、计算资源及业务迭代需求确定预设的流数据划分策略，将所述流数据集划分为多个数据子集。
[0007]进一步的，上述一种流数据图像语义分割模型训练方法中，所述流数据划分策略包括使用时间窗口法对流数据进行划分、使用固定大小法对流数据进行划分、使用场景聚类法对流数据进行划分中的至少一种。
[0008]进一步的，上述一种流数据图像语义分割模型训练方法中，划分出的数据子集不超过十个。
[0009]进一步的，上述一种流数据图像语义分割模型训练方法中，所述图像语义分割模型可选择不同的语义分割模型。
[0010]进一步的，上述一种流数据图像语义分割模型训练方法中，所述基于所述图像语义分割模型具有可识别类别以及所述图像语义分割模型的动态投票权重将所述多个图像语义分割模型集成为总分割模型包括：根据所述可识别类别确定所述动态投票权重；基于所述动态投票权重构建动态权重投票矩阵；基于所述动态权重投票矩阵以及各所述图像语义分割模型确定所述总分割模型。
[0011]进一步的，上述一种流数据图像语义分割模型训练方法中，所述动态投票权重，其中，，所述动态权重投票矩阵，所述总分割模型。
[0012]第二方面，本专利技术提供了一种流数据图像语义分割方法，采用如下技术方案：一种流数据图像语义分割方法，包括：基于本专利技术第一方面中任意一项所述的一种流数据图像语义分割模型训练方法得到总分割模型；基于所述总分割模型对流数据图像进行语义分割得到分割结果。
[0013]第三方面，本专利技术提供了一种流数据图像语义分割模型训练系统，采用如下技术方案：一种流数据图像语义分割模型训练系统，包括：数据划分模块，用于基于流数据划分策略将流数据集划分为多个数据子集；模型训练模块，用于基于所述多个数据子集分别训练多个图像语义分割模型；其中所述数据子集一一对应所述图像语义分割模型，每个所述图像语义分割模型具有可识别类别，用于识别对应的流数据的数据类别；集成学习模块，用于基于所述图像语义分割模型具有的可识别类别以及所述图像语义分割模型的动态投票权重将所述多个图像语义分割模型集成为总分割模型；所述总分割模型识别输入的流数据的数据类别，并根据所述图像语义分割模型的动态投票权重进行
语义分割。
[0014]第四方面，本专利技术提供了一种电子设备，采用如下技术方案：一种电子设备，包括：处理器；与所述处理器通信连接的存储器，所述存储器存储有可被所述处理器执行的指令，所述指令被所述处理器执行，以使所述处理器能够执行本专利技术第一方面中的任一项所述的一种流数据图像语义分割模型训练方法。
[0015]第五方面，本专利技术提供了一种计算机可读存储介质，采用如下技术方案：一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令被处理器执行时实现如本专利技术第一方面中任一项所述的一种流数据图像语义分割模型训练方法。
[0016]本专利技术提出的流数据图像语义分割模型，利用动态权重基于模型中的多个图像语义分割模型的识别类别进行加权，用于解决图像语义分割模型训练中流数据应用困难及类别增加场景，在使用尽可能少的存储和训练资源情况下提升模型效果。其至少具有以下一种优点：1、准确度高，总分割模型在学习新知识的同时未遗忘旧知识；2、计算压力小，模型训练过程中无需一次性使用全量流数据，数据的存储和计算压力大大减小；3、工程应用范围广，可处理流数据，也可对批量图像数据进行处理，保证模型在线上更新迭代的稳定性。
附图说明
[0017]图1是本专利技术一种流数据图像语义分割模型训练方法的一个实施例的流程框图。
[0018]图2是本专利技术一种流数据图像语义分割模型训练方法的又一实施例的流程框图。
[0019]图3是本专利技术一种流数据图像语义分割模型训练方法的又一实施例的流程示意图。
[0020]图4是本专利技术一种流数据图像语义分割模型训练方法的又一实施例的流程框图。
[0021]图5是本专利技术一种流数据图像语义分割模型训练方法的又一实施例的流程示意图。
[0022]图6是本专利技术一种流数据图像语义分割模型训练系统的一个实施例的结构示意图。
[0023]附图标记说明：1、数据划分模块；2、模型训练模块；3、集成学习模块。
具体实施方式
[0024]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种流数据图像语义分割模型训练方法，其特征在于，包括：基于流数据划分策略将流数据集划分为多个数据子集；基于所述多个数据子集分别训练多个图像语义分割模型；其中所述数据子集一一对应所述图像语义分割模型，每个所述图像语义分割模型具有可识别类别，用于识别对应的流数据的数据类别；基于所述图像语义分割模型具有的可识别类别以及所述图像语义分割模型的动态投票权重将所述多个图像语义分割模型集成为总分割模型；所述总分割模型识别输入的流数据的数据类别，并根据所述图像语义分割模型的动态投票权重进行语义分割。2.根据权利要求1所述的一种流数据图像语义分割模型训练方法，其特征在于，所述基于流数据划分策略将流数据集划分为多个数据子集包括：获取连续图像的动态流数据形成所述流数据集；根据流数据集大小、计算资源及业务迭代需求确定预设的流数据划分策略，将所述流数据集划分为多个数据子集。3.根据权利要求2所述的一种流数据图像语义分割模型训练方法，其特征在于，所述流数据划分策略包括使用时间窗口法对流数据进行划分、使用固定大小法对流数据进行划分、使用场景聚类法对流数据进行划分中的至少一种。4.根据权利要求2所述的一种流数据图像语义分割模型训练方法，其特征在于，划分出的数据子集不超过十个。5.根据权利要求1所述的一种流数据图像语义分割模型训练方法，其特征在于，所述图像语义分割模型可选择不同的语义分割模型。6.根据权利要求1所述的一种流数据图像语义分割模型训练方法，其特征在于，所述基于所述图像语义分割模型具有可识别类别以及所述图像语义分割模型的动态投票权重将所述多个图像语义分割模型集成为总分割模型包括：根据所述可识别类别确定所述动态投票权重；基于所述动态投票权重构建动态权重投票矩阵；...
【专利技术属性】
技术研发人员：黄琴，
申请(专利权)人：零束科技有限公司，
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。