图像分类模型的训练方法、语义分割方法及相关设备技术

本申请涉及人工智能中的迁移学习技术，公开了一种图像分类模型的训练方法、语义分割方法及相关设备，该训练方法包括：基于图像分类模型中的特征提取网络对目标域图像提取的特征，确定目标域图像的特征图；基于特征图进行特征重建，得到重建特征图；根据特征图和重建特征图，确定目标域图像中各像素的覆盖密度；根据目标域图像中各像素的覆盖密度和各像素的特征，在目标域图像中筛选待进行像素标注的核心像素集；覆盖密度用于缩放两个像素之间的特征距离；根据核心像素集中像素的标注信息和目标域图像，对图像分类模型进行微调训练。本申请可以减少目标域中标注的像素数量，而且可以保证图像分类模型训练的效果。

【技术实现步骤摘要】

本申请涉及人工智能，更具体地，涉及一种图像分类模型的训练方法、语义分割方法及相关设备。

技术介绍

1、为了将用于实现语义分割任务的图像分类模型从源域迁移到目标域，需要对目标域图像进行像素级标注，之后利用目标域图像中像素的标注信息和该目标域图像来对图像分类模型进行训练，但是，对目标域图像中的全部像素进行像素级标注的标注工作量较大，导致标注成本较高。

技术实现思路

1、鉴于上述问题，本申请实施例提出了一种图像分类模型的训练方法、语义分割方法及相关设备，以解决相关技术中对目标域图像中的全部像素进行像素级标注的标注工作量较大、标注成本较高的问题。

2、根据本申请实施例的一个方面，提供了一种图像分类模型的训练方法，包括：基于图像分类模型中的特征提取网络对目标域图像提取的特征，确定目标域图像的特征图；所述图像分类模型是通过源域图像和源域图像中各像素的标注信息进行预训练得到的；基于所述特征图进行特征重建，得到重建特征图，所述重建特征图中像素的重建特征是根据该像素的邻域像素的特征重建得到的；根据所述特征图和所述重本文档来自技高网...

【技术保护点】

1.一种图像分类模型的训练方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述根据所述目标域图像中各像素的覆盖密度和所述特征图中各像素的特征，在目标域图像中筛选待进行像素标注的核心像素集，包括：

3.根据权利要求2所述的方法，其特征在于，所述基于更新后的第一像素集，确定所述核心像素集，包括：

4.根据权利要求2所述的方法，其特征在于，所述图像分类模型还包括第一分类器；

5.根据权利要求4所述的方法，其特征在于，N为2，为一像素确定的N个目标概率包括该像素属于多个类别的概率中的最大概率和次大概率；>

6.根据权利...

【技术特征摘要】

1.一种图像分类模型的训练方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述根据所述目标域图像中各像素的覆盖密度和所述特征图中各像素的特征，在目标域图像中筛选待进行像素标注的核心像素集，包括：

3.根据权利要求2所述的方法，其特征在于，所述基于更新后的第一像素集，确定所述核心像素集，包括：

4.根据权利要求2所述的方法，其特征在于，所述图像分类模型还包括第一分类器；

5.根据权利要求4所述的方法，其特征在于，n为2，为一像素确定的n个目标概率包括该像素属于多个类别的概率中的最大概率和次大概率；

6.根据权利要求1所述的方法，其特征在于，所述基于所述特征图进行特征重建，得到重建特征图，包括：

7.根据权利要求6所述的方法，其特征在于，所述对所述特征图进行动态掩码卷积处理，得到空间调制图，包括：

8.根据权利要求1所述的方法，其特征在于，所述根据所述特征图和所述重建特征图，确定所述目标域图像中各像素的覆盖密度，包括：

9.根据权利要求1所述的方法，其特征在于，所述图像分类模型还包括第一分类器；所述重建特征图是动态掩码卷积网络基于所述特征...

【专利技术属性】
技术研发人员：刘士湛，蒋正锴，李昱希，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：