System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及图像处理,尤其涉及一种区域分割模型训练方法、装置、设备及介质。
技术介绍
1、在农村乡镇地区,由于人口居住分散、地域广阔,银行如何有效进行网点选址、挖掘信贷客户等金融活动往往没有量化的参考标准和高效的技术手段,因此可能存在机构选址不合理、业务人员信贷走访不高效等等问题。计算机视觉的发展不断为金融创新赋能,为银行向公众提供更好的金融服务给出新的方法和模式。
2、现有技术通过卫星遥感图像,运用图像分割技术识别出农村地区经济活动区域(农户、大棚、加工厂等),如通过卷积神经网络等模型进行图像分割,不仅要完成图片中目标的分类与定位,还需要完成目标的逐像素分割。从而无需人力投入就能快速高效的获得该地区的分布信息,为银行在广袤的农村乡镇区域进行机构选址提供更多的参考。
3、但是通过部分现有实例分割算法(如htc算法)进行分割时,目标级别的分类分数难以代表像素级别的掩膜质量,尤其是目标在受到部分遮挡或者与其他目标出现重叠问题时,这样的设计可能导致分类的得分很高但掩膜的质量却很低,这对于训练需要细分农村乡镇地区建筑个体种类的实例分割任务不利。实例分割算法中采用的语义分割分支虽然可以强化空间上下文信息,但针对不同尺寸的特征图均会粗暴的将其统一至同一空间尺寸,并使用同样大小的卷积核,势必会对语义分割分支对多尺度的目标分割能力造成一定损害,从而影响遥感图像中的多尺度建筑物识别精度。
技术实现思路
1、本专利技术提供了一种区域分割模型训练方法、装置、设备及介质,以获得更
2、根据本专利技术的第一方面,提供了一种区域分割模型训练方法,包括:
3、通过预设主干网络对待分割图片进行特征提取及融合,得到特征金字塔;
4、对所述特征金字塔进行语义特征处理,得到语义分割预测损失以及语义特征与候选框内对应的第一小特征图;
5、对所述特征金字塔进行候选框特征处理,得到特征金字塔与候选框内对应的第二小特征图;
6、对所述第一小特征图及所述第二小特征图进行级联处理,确定掩膜质量评分、目标检测损失及实例分割损失;
7、根据所述语义分割预测损失、所述掩膜质量评分、所述目标检测损失及所述实例分割损失,确定损失函数,并更新所述预设主干网络的网络参数;
8、在所述损失函数满足收敛条件时,得到最终区域分割模型。
9、根据本专利技术的第二方面,提供了一种区域分割模型训练装置,包括:
10、第一确定模块,用于通过预设主干网络对待分割图片进行特征提取及融合,得到特征金字塔;
11、第二确定模块,用于对所述特征金字塔进行语义特征处理,得到语义分割预测损失以及语义特征与候选框内对应的第一小特征图;
12、第三确定模块,用于对所述特征金字塔进行候选框特征处理,得到特征金字塔与候选框内对应的第二小特征图;
13、损失确定模块,用于对所述第一小特征图及所述第二小特征图进行级联处理,确定掩膜质量评分、目标检测损失及实例分割损失;
14、参数更新模块,用于根据所述语义分割预测损失、所述掩膜质量评分、所述目标检测损失及所述实例分割损失,确定损失函数,并更新所述预设主干网络的网络参数;
15、模型确定模块,用于在所述损失函数满足收敛条件时,得到最终区域分割模型。
16、根据本专利技术的第三方面,提供了一种电子设备,所述电子设备包括:
17、至少一个处理器;以及
18、与所述至少一个处理器通信连接的存储器;其中,
19、所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本专利技术任一实施例所述的区域分割模型训练方法。
20、根据本专利技术的第四方面,提供了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,所述计算机指令用于使处理器执行时实现本专利技术任一实施例所述的区域分割模型训练方法。
21、本专利技术实施例的技术方案,通过预设主干网络对待分割图片进行特征提取及融合,得到特征金字塔;对特征金字塔进行语义特征处理,得到语义分割预测损失,裁剪语义特征后得到候选框内对应的第一小特征图;对特征金字塔进行候选框特征处理,得到特征金字塔与候选框内对应的第二小特征图;对第一小特征图及第二小特征图按通道合并后进行三级级联处理,对所得到的最后一级特征处理,确定掩膜质量评分、目标检测损失及实例分割损失,结合语义分割预测损失,确定损失函数,并更新预设主干网络的网络参数;在损失函数满足收敛条件时,得到最终区域分割模型。提高了对多尺度目标的语义信息提取能力,校准了实例分割分支得到的掩膜质量得分,进而提高了模型的准确性。
22、应当理解,本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征,也不用于限制本专利技术的范围。本专利技术的其它特征将通过以下的说明书而变得容易理解。
本文档来自技高网...【技术保护点】
1.一种区域分割模型训练方法,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,所述对所述特征金字塔进行语义特征处理,得到语义分割预测损失以及语义特征与候选框内对应的第一小特征图,包括:
3.根据权利要求1所述的方法,其特征在于,所述对所述特征金字塔进行候选框特征处理,得到特征金字塔与候选框内对应的第二小特征图,包括:
4.根据权利要求1所述的方法,其特征在于,所述对所述第一小特征图及所述第二小特征图进行级联处理,确定掩膜质量评分、目标检测损失及实例分割损失,包括:
5.根据权利要求4所述的方法,其特征在于,所述预设掩膜交并比模型由四个卷积层和三个全连接层组成,所述卷积层的卷积核大小为3×3,且输出维度为256,第一全连接层及第二全连接层的输出维度为1024维,第三全连接层的输出维度与分类数相同。
6.根据权利要求1所述的方法,其特征在于,所述根据所述语义分割预测损失、所述掩膜质量评分、所述目标检测损失及所述实例分割损失,确定损失函数,包括:
7.根据权利要求1所述的方法,其特征在于,还包括:
...【技术特征摘要】
1.一种区域分割模型训练方法,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,所述对所述特征金字塔进行语义特征处理,得到语义分割预测损失以及语义特征与候选框内对应的第一小特征图,包括:
3.根据权利要求1所述的方法,其特征在于,所述对所述特征金字塔进行候选框特征处理,得到特征金字塔与候选框内对应的第二小特征图,包括:
4.根据权利要求1所述的方法,其特征在于,所述对所述第一小特征图及所述第二小特征图进行级联处理,确定掩膜质量评分、目标检测损失及实例分割损失,包括:
5.根据权利要求4所述的方法,其特征在于,所述预设掩膜交并比模型由四个卷积层和三个全连接层组成,所述卷积层的卷积核大...
【专利技术属性】
技术研发人员:谷玮,邓凯心,邱万松,尹思宇,刘思璇,
申请(专利权)人:中国农业银行股份有限公司,
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。