【技术实现步骤摘要】
本专利技术涉及计算机图像处理，尤其涉及一种乡村道路识别方法、装置、设备及存储介质。
技术介绍
1、目前进行乡村道路识别时，将语义分割模型中骨干网络对图像所提取的特征送入并行的空洞卷积模块，再将空洞卷积模块输出特征输入注意力结构，在一定程度上提高了对乡村道路预测的准确性，但这样会使部分特征信息丢失，导致出现分割结果边界不连续、模糊，且对于小物体分割困难甚至误分割的问题，从而识别精度较低。
技术实现思路
1、有鉴于此，本专利技术的目的是为了克服现有技术中的不足，提供一种乡村道路识别方法、装置、设备及存储介质，用于利用深度学习的卷积神经网络高效准确地分割乡村道路场景下的物体，从而更精准的乡村道路识别。
2、本专利技术提供如下技术方案：
3、第一方面，本专利技术提出一种乡村道路识别方法，所述方法包括：
4、获取乡村道路图像，通过图像注释工具对所述乡村道路图像进行标注，得到标签图像；从所述标签图像中确定训练样本集；
5、基于条形池化简单金字塔模块和带有坐标注意力的统一注意力融合模块构建初始语义分割模型；
6、基于损失函数和梯度优化算法，根据各所述训练样本集对所述初始语义分割模型进行迭代训练，得到训练完成的目标语义分割模型；
7、通过所述目标语义分割模型对实际乡村道路场景中的未标注道路图像进行乡村道路识别。
8、在一具体实施例中，所述基于损失函数和梯度优化算法，根据所述训练样本集对所述初始语义分割模型进行迭代训
9、将所述训练样本集输入至所述初始语义分割模型，得到训练结果；
10、通过所述损失函数根据所述训练样本集和所述训练结果计算损失值；
11、基于多项式衰减策略，通过所述梯度优化算法根据所述损失值更新所述初始语义分割模型的可训练参数，以得到所述目标语义分割模型。
12、在一实施方式中，所述将所述训练样本集输入至所述初始语义分割模型，得到训练结果，包括：
13、通过所述初始语义分割模型中的骨干网络对所述训练样本集进行特征提取，得到骨干网络特征；
14、通过所述条形池化简单金字塔模块对所述骨干网络特征进行池化操作和特征融合，得到第一特征数据；
15、通过所述带有坐标注意力的统一注意力融合模块对所述第一特征数据和所述骨干网络特征进行特征融合，得到第二特征数据；
16、将所述第二特征数据作为所述训练结果。
17、在一实施方式中，所述基于多项式衰减策略，通过所述梯度优化算法根据所述损失值更新所述初始语义分割模型的可训练参数，包括：
18、根据所述损失值计算所述可训练参数的梯度；
19、基于多项式衰减策略，通过所述梯度优化算法根据所述梯度更新所述可训练参数。
20、在一实施方式中，所述通过所述损失函数根据所述训练样本集和所述训练结果计算损失值，包括：
21、确定所述训练样本集的样本数量和对应的样本标签；
22、根据所述样本数量、所述样本标签和所述训练结果计算所述损失值。
23、在一实施方式中，所述样本标签包括第一标签和第二标签；
24、根据所述训练样本集的标注确定各像素对应的样本标签；
25、若所述像素存在标注，则所述样本标签为所述第一标签；
26、若所述像素不存在标注，则所述样本标签为所述第二标签。
27、第二方面，本专利技术提出一种乡村道路识别装置，所述装置包括：
28、获取模块，用于获取乡村道路图像，通过图像注释工具对所述乡村道路图像进行标注，得到标签图像；从所述标签图像中确定训练样本集；
29、构建模块，用于基于条形池化简单金字塔模块和带有坐标注意力的统一注意力融合模块构建初始语义分割模型；
30、训练模块，用于基于损失函数和梯度优化算法，根据各所述训练样本集对所述初始语义分割模型进行迭代训练，得到训练完成的目标语义分割模型；
31、识别模块，用于通过所述目标语义分割模型对实际乡村道路场景中的未标注图像进行乡村道路识别。
32、在一实施方式中，所述装置包括：
33、所述训练模块，还用于将所述训练样本集输入至所述初始语义分割模型，得到训练结果；通过所述损失函数根据所述训练样本集和所述训练结果计算损失值；基于多项式衰减策略，通过所述梯度优化算法根据所述损失值更新所述初始语义分割模型的可训练参数，以得到所述目标语义分割模型。
34、第三方面，本专利技术提出一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时实现如第一方面所述的乡村道路识别方法的步骤。
35、第四方面，本专利技术提出一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的乡村道路识别方法的步骤。
36、本专利技术公开的乡村道路识别方法、装置、设备及存储介质，获取乡村道路图像，通过图像注释工具对所述乡村道路图像进行标注，得到标签图像；从所述标签图像中确定训练样本集；基于条形池化简单金字塔模块和带有坐标注意力的统一注意力融合模块构建初始语义分割模型；基于损失函数和梯度优化算法，根据各所述训练样本集对所述初始语义分割模型进行迭代训练，得到训练完成的目标语义分割模型；通过所述目标语义分割模型对实际乡村道路场景中的未标注道路图像进行乡村道路识别。这样，在简单池化金字塔模块中引入条形池化模块，在捕获更多上下文信息的同时也能加强条形特征的获取，提高模型的性能；同时，在统一注意力融合模块的基础上引入了坐标注意力，将特征综合考虑，提高了分割的效果。
37、为使本专利技术的上述目的、特征和优点能更明显和易懂，下文特举较佳实施例，并配合所附附图，做详细说明如下。
本文档来自技高网...【技术保护点】
1.一种乡村道路识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的乡村道路识别方法，其特征在于，所述基于损失函数和梯度优化算法，根据所述训练样本集对所述初始语义分割模型进行迭代训练，包括：
3.根据权利要求2所述的乡村道路识别方法，其特征在于，所述将所述训练样本集输入至所述初始语义分割模型，得到训练结果，包括：
4.根据权利要求2所述的乡村道路识别方法，其特征在于，所述基于多项式衰减策略，通过所述梯度优化算法根据所述损失值更新所述初始语义分割模型的可训练参数，包括：
5.根据权利要求2所述的乡村道路识别方法，其特征在于，所述通过所述损失函数根据所述训练样本集和所述训练结果计算损失值，包括：
6.根据权利要求5所述的乡村道路识别方法，其特征在于，所述样本标签包括第一标签和第二标签；
7.一种乡村道路识别装置，其特征在于，所述装置包括：
8.根据权利要求7所述的乡村道路识别装置，其特征在于，所述装置包括：
9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器存储有计算
10.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的乡村道路识别方法的步骤。
...【技术特征摘要】
1.一种乡村道路识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的乡村道路识别方法，其特征在于，所述基于损失函数和梯度优化算法，根据所述训练样本集对所述初始语义分割模型进行迭代训练，包括：
3.根据权利要求2所述的乡村道路识别方法，其特征在于，所述将所述训练样本集输入至所述初始语义分割模型，得到训练结果，包括：
4.根据权利要求2所述的乡村道路识别方法，其特征在于，所述基于多项式衰减策略，通过所述梯度优化算法根据所述损失值更新所述初始语义分割模型的可训练参数，包括：
5.根据权利要求2所述的乡村道路识别方法，其特征在于，所述通过所述损失函数根据所述训练样本集和...
【专利技术属性】
技术研发人员：曹新宇，张太红，赵昀杰，姚芷馨，
申请(专利权)人：新疆农业大学，
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。