一种全像素语义分割的标注方法技术

本申请涉及图像处理技术领域，尤其涉及一种全像素语义分割的标注方法

【技术实现步骤摘要】
一种全像素语义分割的标注方法、装置、设备及介质


[0001]本申请涉及图像处理
，尤其涉及一种全像素语义分割的标注方法
、
装置
、
设备及介质
。

技术介绍

[0002]传统数据标注方法通常依赖人类标注员的专业知识和经验，他们可以理解复杂的场景和语义，并进行准确的标注，然而这种标注的效率很难提高；交互分割是一种特殊的分割任务，其特征是利用来自用户交互指导的信息，通常是用户提供一些初始输入，例如点
、
笔划或边界框，以指示对象的大致位置和形状，然而使用交互式分割进行全像素分割标注时，不同类别间会出现缝隙或者存在黑边，从而影响最终的标注效果
。
[0003]可见，目前通过数据标注员对现有数据进行全像素语义分割标注不仅需要大量的人力和时间投入，而且标注结果会受到标注员主观判断的影响，可能会存在一定的主观性和不一致性；而常见的半自动标注的办法基本上也只能解决部分目标的像素标注，难以解决全像素语义分割中的共边问题
。

技术实现思路

[0004]为克服现有技术中的不足，本申请提供一种全像素语义分割的标注方法
、
装置
、
设备及介质，能够利用深度学习模型通过填充不同类别交叉出现的空洞，解决共边问题
。
[0005]第一方面，本申请实施例提供一种全像素语义分割的标注方法，所述方法包括以下步骤：
[0006]获取初始训练样本集，其中，所述初始训练样本集中包括多幅第一图像和所述多幅第一图像分别对应的参考分割结果；
[0007]基于所述初始训练样本集，进行模型训练以得到初步训练好的语义分割模型；
[0008]通过所述初步训练好的语义分割模型，确定多幅第二图像的初步分割结果；
[0009]对所述初步分割结果进行边界修正，得到优化后的分割结果；
[0010]将所述多幅第二图像和所述优化后的分割结果加入所述初始训练样本集，得到优化后的训练样本集；
[0011]基于所述优化后的训练样本集，对所述初步训练好的语义分割模型进行迭代优化，直至得到最终训练好的语义分割模型
。
[0012]在一些实施例中，所述获取初始训练样本集，包括以下步骤：
[0013]根据场景需求采集所述多幅第一图像；
[0014]按照设定的标注规则，利用标注工具对每幅第一图像中的每个像素分配相应的类别标签，得到所述多幅第一图像分别对应的参考分割结果；
[0015]将所述参考分割结果转换为所述多幅第一图像分别对应的多幅掩膜图像，形成所述初始训练样本集
。
[0016]在一些实施例中，所述基于所述初始训练样本集，进行模型训练以得到初步训练
好的语义分割模型，包括以下步骤：
[0017]基于深度学习模型构建所述语义分割模型；
[0018]在基于所述初始训练样本集进行模型训练时，使用待测数据集进行评估，待评估结果符合预期时，得到所述初步训练好的语义分割模型
。
[0019]在一些实施例中，所述通过所述初步训练好的语义分割模型，确定多幅第二图像的初步分割结果，包括以下步骤：
[0020]将所述初步训练好的语义分割模型进行封装并应用于交互式标注工具中；
[0021]基于所述交互式标注工具，对输入的所述多幅第二图像分别提取其中不同类别的边界坐标，得到所述多幅第二图像的所述初步分割结果
。
[0022]在一些实施例中，所述基于所述交互式标注工具，对输入的所述多幅第二图像分别提取其中不同类别的边界坐标，包括以下步骤：
[0023]将所述多幅第二图像逐个输入至所述交互式标注工具中；
[0024]响应接收到的对输入的第二图像中某一区域的点击操作指令，确定该区域像素对应的类别标签，并得到该类别的掩膜图像；
[0025]对所述掩膜图像提取边界轮廓，并得到该类别对应的边界坐标，且依次得到每幅第二图像中其他类别对应的边界坐标
。
[0026]在一些实施例中，所述对所述初步分割结果进行边界修正，得到优化后的分割结果，包括以下步骤：
[0027]针对每幅第二图像，确定其初步分割结果中分割边界间存在交叉或缝隙的坐标点；
[0028]针对获取的每个所述坐标点，获取其邻域坐标点的像素值；
[0029]计算所述邻域坐标点的像素值的占比，并将占比最高的像素值填充至该坐标点；
[0030]依次对所述初步分割结果中分割边界间存在交叉或缝隙的其他坐标点重复叠加计算，得到该幅第二图像优化后的分割结果
。
[0031]在一些实施例中，其中，所述基于所述优化后的训练样本集，对所述初步训练好的语义分割模型进行迭代优化，直至得到最终训练好的语义分割模型，包括以下步骤：
[0032]根据预设终止条件，对所述初步训练好的语义分割模型进行迭代优化，其中，所述终止条件包括所述语义分割模型输出的分割结果的精度
。
[0033]第二方面，本申请实施例提供一种全像素语义分割的标注装置，所述装置包括：
[0034]第一生成模块，用于根据原料名称从选取的目标第一数据库中获取第一相关联数据，并生成该原料在化妆品中的使用注意事项；
[0035]第二生成模块，用于根据原料序号从第二数据库中获取第二相关联数据，并生成该原料序号对应的原料在成品中的使用评估结果
。
[0036]第三方面，本申请实施例提供的一种电子设备，包括处理器
、
存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行上述第一方面任一项所述的全像素语义分割的标注方法的步骤
。
[0037]第四方面，本申请实施例提供的一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述第一方面任一项所述的全
像素语义分割的标注方法的步骤
。
[0038]本申请所述的一种全像素语义分割的标注方法
、
装置
、
设备及介质，获取初始训练样本集，其中，所述初始训练样本集中包括多幅第一图像和所述多幅第一图像分别对应的参考分割结果；基于所述初始训练样本集，进行模型训练以得到初步训练好的语义分割模型；通过所述初步训练好的语义分割模型，确定多幅第二图像的初步分割结果；对所述初步分割结果进行边界修正，得到优化后的分割结果；将所述多幅第二图像和所述优化后的分割结果加入所述初始训练样本集，得到优化后的训练样本集；基于所述优化后的训练样本集，对所述初步训练好的语义分割模型进行迭代优化，直至得到最终训练好的语义分割模型
。
从而能够通过最终训练好的语义分割模型获得更准确的语义分割结果，消除语义分割结果中所出现的边界间存在交叉或缝隙的弊端
。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种全像素语义分割的标注方法，其特征在于，所述方法包括以下步骤：获取初始训练样本集，其中，所述初始训练样本集中包括多幅第一图像和所述多幅第一图像分别对应的参考分割结果；基于所述初始训练样本集，进行模型训练以得到初步训练好的语义分割模型；通过所述初步训练好的语义分割模型，确定多幅第二图像的初步分割结果；对所述初步分割结果进行边界修正，得到优化后的分割结果；将所述多幅第二图像和所述优化后的分割结果加入所述初始训练样本集，得到优化后的训练样本集；基于所述优化后的训练样本集，对所述初步训练好的语义分割模型进行迭代优化，直至得到最终训练好的语义分割模型
。2.
根据权利要求1所述的方法，其特征在于，所述获取初始训练样本集，包括以下步骤：根据场景需求采集所述多幅第一图像；按照设定的标注规则，利用标注工具对每幅第一图像中的每个像素分配相应的类别标签，得到所述多幅第一图像分别对应的参考分割结果；将所述参考分割结果转换为所述多幅第一图像分别对应的多幅掩膜图像，形成所述初始训练样本集
。3.
根据权利要求1所述的方法，其特征在于，所述基于所述初始训练样本集，进行模型训练以得到初步训练好的语义分割模型，包括以下步骤：基于深度学习模型构建所述语义分割模型；在基于所述初始训练样本集进行模型训练时，使用待测数据集进行评估，待评估结果符合预期时，得到所述初步训练好的语义分割模型
。4.
根据权利要求1所述的方法，其特征在于，所述通过所述初步训练好的语义分割模型，确定多幅第二图像的初步分割结果，包括以下步骤：将所述初步训练好的语义分割模型进行封装并应用于交互式标注工具中；基于所述交互式标注工具，对输入的所述多幅第二图像分别提取其中不同类别的边界坐标，得到所述多幅第二图像的所述初步分割结果
。5.
根据权利要求4所述的方法，其特征在于，所述基于所述交互式标注工具，对输入的所述多幅第二图像分别提取其中不同类别的边界坐标，包括以下步骤：将所述多幅第二图像逐个输入至所述交互式标注工具中；响应接收到的对输入的第二图像中某一区域的点击操作指令，确定该区域像素对应的类别标签，并得到该类别的掩膜图像；对所述掩膜图像提取边界轮廓，并得到该类别对应的边界坐标，且依次得到每幅第二图像中其他类别对...

【专利技术属性】
技术研发人员：洪津津，兰晓松，刘羿，何贝，
申请(专利权)人：北京斯年智驾科技有限公司，
类型：发明
国别省市：