【技术实现步骤摘要】
一种图像分割网络的训练及图像分割方法、装置及设备
[0001]本公开涉及计算机
，具体而言，涉及一种图像分割网络的训练及图像分割方法
、
装置及设备
。
技术介绍
[0002]图像语义分割任务是基于深度学习的计算机视觉的主要任务之一，可以对图像中每个像素分类以进行分割，相关技术中，图像分割方法主要是采用通过监督学习训练的图像分割网络来实现，基于监督学习的图像分割网络需要预先标注大量的图像的类别标签，而相关技术中主要是采用人工标注方式，标注成本高，效率也较低
。
技术实现思路
[0003]本公开实施例至少提供一种图像分割网络的训练及图像分割方法
、
装置及设备
。
[0004]第一方面，本公开实施例提供了一种图像分割网络的训练方法，包括：
[0005]获取第一训练图像样本集和第二训练图像样本集，其中，所述第一训练图像样本集中各第一训练图像样本对应标注有类别标签，所述第二训练图像样本集中各第二训练图像样本未标注有类别标签；
[0...
【技术保护点】
【技术特征摘要】
1.
一种图像分割网络的训练方法，其特征在于，包括：获取第一训练图像样本集和第二训练图像样本集，其中，所述第一训练图像样本集中各第一训练图像样本对应标注有类别标签，所述第二训练图像样本集中各第二训练图像样本未标注有类别标签；根据所述第一训练图像样本集和基于所述第一训练图像样本集训练获得的第一图像分割网络，确定所述类别的第一类别特征，基于所述第一图像分割网络，获得各所述第二训练图像样本的第一预测类别标签，根据各所述第二训练图像样本的第一预测类别标签和所述第一类别特征，迭代更新所述第一图像分割网络，获得迭代更新后的第二图像分割网络
。2.
根据权利要求1所述的方法，其特征在于，所述根据所述第一训练图像样本集和基于所述第一训练图像样本集训练获得的第一图像分割网络，确定所述类别的第一类别特征，包括：基于所述第一训练图像样本集，训练获得第一图像分割网络；根据所述第一图像分割网络，对各所述第一训练图像样本进行特征提取，获得各所述第一训练图像样本中各像素点的第一特征向量；根据各所述第一训练图像样本中各像素点的第一特征向量
、
各所述像素点对应的类别标签，确定所述类别的第一类别特征
。3.
根据权利要求1或2所述的方法，其特征在于，迭代更新所述第一图像分割网络的目标损失函数包括各所述第一训练图像样本的第一损失函数加和，以及各所述第二训练图像样本的第二损失函数加和；其中，所述第一损失函数为根据所述第一训练图像样本中各像素点的第一特征向量与所述第一类别特征的第一相似度，以及对应的所述类别标签确定的，其中，所述第一特征向量为根据所述第一图像分割网络对所述第一训练图像样本进行特征提取获得的；所述第二损失函数为根据所述第二训练图像样本中各像素点的第二特征向量与所述第一类别特征的第二相似度，以及对应的所述第一预测类别标签确定的，其中，所述第二特征向量为根据所述第一图像分割网络对所述第二训练图像样本进行特征提取获得的
。4.
根据权利要求1‑3任一项所述的方法，其特征在于，所述根据所述第一训练图像样本集和基于所述第一训练图像样本集训练获得的第一图像分割网络，确定所述类别的第一类别特征，基于所述第一图像分割网络，获得各所述第二训练图像样本的第一预测类别标签，根据各所述第二训练图像样本的第一预测类别标签和所述第一类别特征，迭代更新所述第一图像分割网络，包括：根据所述第一训练图像样本集和基于所述第一训练图像样本集训练获得的第一图像分割网络，确定所述类别的第一类别特征；根据所述第二训练图像样本集，迭代更新所述第一图像分割网络；其中，针对迭代更新所述第一图像分割网络时的每一轮迭代更新，在本轮迭代更新时，基于上一轮迭代更新后的所述第一图像分割网络，获得各所述第二训练图像样本的第一预测类别标签，根据各所述第二训练图像样本的第一预测类别标签，以及上一轮迭代更新后获得的所述类别的目标类别特征，获得本轮迭代更新后的所述第一图像分割网络，其中在为第一轮迭代更新的情况下，所述目标类别特征为所述第一类别特征；并且，在本轮迭代更新后，根据本轮迭代更新后的所述第一图像分割网络和所述第一
训练图像样本集，确定所述类别的第二类别特征，并根据本轮迭代更新后的所述第一图像分割网络和所述第二训练图像样本集，确定所述类别的第三类别特征，根据所述第二类别特征和所述第三类别特征，获得所述类别的第四类别特征，并将所述第四类别特征作为所述目标类别特征，进入下一轮迭代更新
。5.
根据权利要求4所述的方法，其特征在于，所述根据所述第二类别特征和所述第三类别特...
【专利技术属性】
技术研发人员：朱帅，蔡官熊，曾星宇，唐配文，赵瑞，
申请(专利权)人：商汤人工智能研究中心深圳有限公司，
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。