圖像分割模型訓練方法、裝置、電子設備及可讀存儲介質(zhì)制造方法及圖紙

本申請?zhí)峁┝艘环N圖像分割模型訓練方法、裝置、電子設備及可讀存儲介質(zhì)，其中，該方法包括：獲取用于訓練圖像分割模型的道路景觀數(shù)據(jù)集；將道路景觀圖像輸入到初始圖像分割模型中，根據(jù)識別出的道路景觀圖像中包含的每種物體的第一物體特征對道路景觀圖像進行網(wǎng)絡語義分割，得到第一分割圖像，從第一分割圖像中將標注圖像中標注出的每種物體的第二物體特征中不存在的物體特征刪除，得到第二分割圖像；使用第二分割圖像與該第二分割圖像對應的標注圖像進行損失函數(shù)計算，得到損失值；利用損失值對初始圖像分割模型進行反向傳播訓練，以對初始圖像分割模型中的可學習參數(shù)進行調(diào)整。通過該方法，有利于提高圖像分割模型識別的準確性。的準確性。的準確性。

【技術(shù)實現(xiàn)步驟摘要】
圖像分割模型訓練方法、裝置、電子設備及可讀存儲介質(zhì)


[0001]本申請涉及計算機
，尤其是涉及一種圖像分割模型訓練方法、裝置、電子設備及可讀存儲介質(zhì)。

技術(shù)介紹

[0002]自動駕駛汽車在行駛的過程中，需要對拍攝到的道路景觀圖像進行語義分割，從而可以將道路景觀圖像中包含的不同的物體進行區(qū)分和識別，例如，從道路景觀圖像中識別出哪些是指示燈、哪些是交通標志、哪些是障礙物或行人等。
[0003]但是自動駕駛汽車在風沙、雨雪等天氣行駛時，此時拍攝得到的道路景觀圖像中可能存在一些環(huán)境干擾信息(例如：沙塵、雨雪、光照強度)，這些環(huán)境干擾信息會導致道路景觀圖像的清晰度較差，從而影響對道路景觀圖像中各個物體的區(qū)分和識別，進而會使得識別的準確率較低。

技術(shù)實現(xiàn)思路

[0004]有鑒于此，本申請的目的在于提供一種圖像分割模型訓練方法、裝置、電子設備及可讀存儲介質(zhì)，以提高圖像分割模型識別道路景觀圖像中各個物體的準確性。
[0005]第一方面，本申請實施例提供了一種圖像分割模型訓練方法，包括：
[0006]獲取用于訓練圖像分割模型的道路景觀數(shù)據(jù)集；所述道路景觀數(shù)據(jù)集中包括：無環(huán)境干擾信息的道路景觀圖像、有環(huán)境干擾信息的道路景觀圖像以及每個所述道路景觀圖像對應的標注圖像；所述標注圖像為對所述道路景觀圖像中不同種類的物體的類別進行標注的圖像；
[0007]將所述道路景觀圖像輸入到初始圖像分割模型中，通過所述初始圖像分割模型對所述道路景觀圖像進行第一圖像特征處理；所述第一圖像特征處理包括：識別所述道路景觀圖像中包含的每種物體的第一物體特征，根據(jù)所述第一物體特征對所述道路景觀圖像中包含的各個物體進行網(wǎng)絡語義分割，得到第一分割圖像，并對所述第一分割圖像和該第一分割圖像對應的所述標注圖像進行對比，從所述第一分割圖像中將所述標注圖像中標注出的每種物體的第二物體特征中不存在的物體特征刪除，得到第二分割圖像；
[0008]使用所述第二分割圖像與該第二分割圖像對應的所述標注圖像進行損失函數(shù)計算，得到損失值；
[0009]利用所述損失值對所述初始圖像分割模型進行反向傳播訓練，以對所述初始圖像分割模型中的可學習參數(shù)進行調(diào)整，直至所述可學習參數(shù)完成收斂后結(jié)束模型訓練，得到所述圖像分割模型。
[0010]結(jié)合第一方面，本申請實施例提供了第一方面的第一種可能的實施方式，其中，所述道路景觀圖像中包含有重疊的物體；
[0011]所述識別所述道路景觀圖像中包含的每種物體的第一物體特征，包括：
[0012]當重疊的物體為同一種類的物體時，將重疊的物體作為一個目標物體，通過所述
初始圖像分割模型識別所述目標物體的第一圖像特征；
[0013]當重疊的物體為不同種類的物體時，通過所述初始圖像分割模型分別對重疊的物體中的每個物體進行識別，得到每個物體的第一物體特征。
[0014]結(jié)合第一方面，本申請實施例提供了第一方面的第二種可能的實施方式，其中，所述從所述第一分割圖像中將所述標注圖像中標注出的每種物體的第二物體特征中不存在的物體特征刪除，得到第二分割圖像，包括：
[0015]從所述第一分割圖像中將所述標注圖像中標注出的每種物體的第二物體特征中不存在的物體特征刪除，得到第三分割圖像；所述第二物體特征中不存在的物體特征為環(huán)境干擾信息的特征；所述第三分割圖像為去除所述環(huán)境干擾信息后的圖像；
[0016]針對所述第三分割圖像中去除環(huán)境干擾信息后缺失像素點的缺失區(qū)域，根據(jù)所述第三分割圖像上該缺失區(qū)域周圍目標范圍內(nèi)的第一像素點的像素值，對該缺失區(qū)域進行補充，得到所述第二分割圖像。
[0017]結(jié)合第一方面的第二種可能的實施方式，本申請實施例提供了第一方面的第三種可能的實施方式，其中，所述根據(jù)所述第三分割圖像上該缺失區(qū)域周圍目標范圍內(nèi)的第一像素點的像素值，對該缺失區(qū)域進行補充，包括：
[0018]基于所述缺失區(qū)域的中心點，計算所述目標范圍內(nèi)經(jīng)過所述中心點的直線上位于所述中心點兩側(cè)的所述第一像素點之間的像素值之差，得到每條直線對應的差值；
[0019]根據(jù)每條所述直線對應的所述差值，從所述直線中確定出最大所述差值對應的目標直線，將所述目標直線上位于所述中心點兩側(cè)的所述第一像素點的像素值由大到小的方向作為目標方向，并計算所述缺失區(qū)域在所述目標方向上的缺失長度；
[0020]計算所述目標直線對應的所述差值與所述缺失長度的比值，得到所述缺失區(qū)域內(nèi)在所述目標方向上第二像素點的像素值的變化數(shù)值；
[0021]根據(jù)所述目標直線上位于所述中心點兩側(cè)的所述第一像素點的像素值以及所述目標方向和所述變化數(shù)值，對所述缺失區(qū)域內(nèi)的所述第二像數(shù)點的像數(shù)值進行補充。
[0022]結(jié)合第一方面的第二種可能的實施方式，本申請實施例提供了第一方面的第四種可能的實施方式，其中，所述根據(jù)所述第三分割圖像上該區(qū)域周圍目標范圍內(nèi)的第一像素點的像素值，對該缺失區(qū)域進行補充，包括：
[0023]針對所述缺失區(qū)域上的每個邊緣位置，計算與該邊緣位置相鄰的目標數(shù)量的所述第一像素點的像素值的均值，并使用所述均值對該邊緣位置進行補充，得到補充區(qū)域；
[0024]從所述缺失區(qū)域中去除所述補充區(qū)域后得到目標缺失區(qū)域，判斷所述目標缺失區(qū)域的面積是否為0；
[0025]若所述目標缺失區(qū)域的面積為0，則表示所述缺失區(qū)域補充完成；
[0026]若所述目標缺失區(qū)域的面積不為0，則將所述目標缺失區(qū)域作為新的缺失區(qū)域，繼續(xù)執(zhí)行步驟：針對所述缺失區(qū)域上的每個邊緣位置，計算與該邊緣位置相鄰的目標數(shù)量的所述第一像素點的像素值的均值，并使用所述均值對該邊緣位置進行補充，得到補充區(qū)域。
[0027]結(jié)合第一方面，本申請實施例提供了第一方面的第五種可能的實施方式，其中，獲取用于訓練圖像分割模型的道路景觀數(shù)據(jù)集，包括：
[0028]獲取多個初始道路景觀圖像；
[0029]針對每個所述初始道路景觀圖像，對該初始道路景觀圖像進行圖像處理，生成該
初始道路景觀圖像對應的樣本圖像；所述圖像處理包括：圖像翻轉(zhuǎn)、圖像裁剪、圖像縮放中的一種或多種；
[0030]將所述初始道路景觀圖像以及所述初始道路景觀圖像對應的所述樣本圖像作為所述道路景觀數(shù)據(jù)集中的所述道路景觀圖像。
[0031]結(jié)合第一方面，本申請實施例提供了第一方面的第六種可能的實施方式，其中，所述得到所述圖像分割模型之后，還包括：
[0032]獲取待識別道路景觀圖像；
[0033]將所述待識別道路景觀圖像輸入到所述圖像分割模型中，通過所述圖像分割模型對所述待識別道路景觀圖像進行第二圖像特征處理；所述第二圖像特征處理包括：識別所述待識別道路景觀圖像中包含的每種物體的第三物體特征，根據(jù)所述第三物體特征對所述待識別道路景觀圖像中包含的各個物體進行網(wǎng)絡語義分割，得到第三分割圖像，并將所述第三分割圖像中包含的分割得到的各個物體的種類與預設種類進行對比，從所述第三分割圖像中包含的各個物體中將不存在于所述預設種類中本文檔來自技高網(wǎng)...

【技術(shù)保護點】

【技術(shù)特征摘要】
1.一種圖像分割模型訓練方法，其特征在于，包括：獲取用于訓練圖像分割模型的道路景觀數(shù)據(jù)集；所述道路景觀數(shù)據(jù)集中包括：無環(huán)境干擾信息的道路景觀圖像、有環(huán)境干擾信息的道路景觀圖像以及每個所述道路景觀圖像對應的標注圖像；所述標注圖像為對所述道路景觀圖像中不同種類的物體的類別進行標注的圖像；將所述道路景觀圖像輸入到初始圖像分割模型中，通過所述初始圖像分割模型對所述道路景觀圖像進行第一圖像特征處理；所述第一圖像特征處理包括：識別所述道路景觀圖像中包含的每種物體的第一物體特征，根據(jù)所述第一物體特征對所述道路景觀圖像中包含的各個物體進行網(wǎng)絡語義分割，得到第一分割圖像，并對所述第一分割圖像和該第一分割圖像對應的所述標注圖像進行對比，從所述第一分割圖像中將所述標注圖像中標注出的每種物體的第二物體特征中不存在的物體特征刪除，得到第二分割圖像；使用所述第二分割圖像與該第二分割圖像對應的所述標注圖像進行損失函數(shù)計算，得到損失值；利用所述損失值對所述初始圖像分割模型進行反向傳播訓練，以對所述初始圖像分割模型中的可學習參數(shù)進行調(diào)整，直至所述可學習參數(shù)完成收斂后結(jié)束模型訓練，得到所述圖像分割模型。2.根據(jù)權(quán)利要求1所述圖像分割模型訓練方法，其特征在于，所述道路景觀圖像中包含有重疊的物體；所述識別所述道路景觀圖像中包含的每種物體的第一物體特征，包括：當重疊的物體為同一種類的物體時，將重疊的物體作為一個目標物體，通過所述初始圖像分割模型識別所述目標物體的第一圖像特征；當重疊的物體為不同種類的物體時，通過所述初始圖像分割模型分別對重疊的物體中的每個物體進行識別，得到每個物體的第一物體特征。3.根據(jù)權(quán)利要求1所述圖像分割模型訓練方法，其特征在于，所述從所述第一分割圖像中將所述標注圖像中標注出的每種物體的第二物體特征中不存在的物體特征刪除，得到第二分割圖像，包括：從所述第一分割圖像中將所述標注圖像中標注出的每種物體的第二物體特征中不存在的物體特征刪除，得到第三分割圖像；所述第二物體特征中不存在的物體特征為環(huán)境干擾信息的特征；所述第三分割圖像為去除所述環(huán)境干擾信息后的圖像；針對所述第三分割圖像中去除環(huán)境干擾信息后缺失像素點的缺失區(qū)域，根據(jù)所述第三分割圖像上該缺失區(qū)域周圍目標范圍內(nèi)的第一像素點的像素值，對該缺失區(qū)域進行補充，得到所述第二分割圖像。4.根據(jù)權(quán)利要求3所述圖像分割模型訓練方法，其特征在于，所述根據(jù)所述第三分割圖像上該缺失區(qū)域周圍目標范圍內(nèi)的第一像素點的像素值，對該缺失區(qū)域進行補充，包括：基于所述缺失區(qū)域的中心點，計算所述目標范圍內(nèi)經(jīng)過所述中心點的直線上位于所述中心點兩側(cè)的所述第一像素點之間的像素值之差，得到每條直線對應的差值；根據(jù)每條所述直線對應的所述差值，從所述直線中確定出最大所述差值對應的目標直線，將所述目標直線上位于所述中心點兩側(cè)的所述第一像素點的像素值由大到小的方向作為目標方向，并計算所述缺失區(qū)域在所述目標方向上的缺失長度；
計算所述目標直線對應的所述差值與所述缺失長度的比值，得到所述缺失區(qū)域內(nèi)在所述目標方向上第二像素點的像素值的變化數(shù)值；根據(jù)所述目標直線上位于所述中心點兩側(cè)的所述第一像素點的像素值以及所述目標方向和所述變化數(shù)值，對所述缺失區(qū)域內(nèi)的所述第二像數(shù)點的像數(shù)值進行補充。5.根據(jù)權(quán)利要求3所述圖像分割模型訓練方法，其特征在于，所述根據(jù)所述第三分割圖像上該區(qū)域周圍目標范圍內(nèi)的第一像素點的像素值，對該缺失區(qū)域進行補充，包括：針對所述缺失區(qū)域上的每個邊緣位置，計算與該邊緣位置相鄰的目標數(shù)量的所述第...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：許春磊，王超，馬維士，
申請(專利權(quán))人：北京華云安信息技術(shù)有限公司，
類型：發(fā)明
國別省市：