图像分割模型训练方法、图像分割方法和装置与流程

本技术涉及图像处理，特别是涉及一种图像分割模型训练方法、图像分割方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

背景技术：

1、作为计算机视觉领域的核心任务之一，图像分割任务在多个现实场景中具有广泛的应用。图像分割任用于对图像执行像素级分类，从而划分样本中的不同类别，如：行人、街道、汽车等。传统技术中，在大量有标签数据集的获得和深度学习迅速发展的驱动下，图像的分割精确度得到了迅速的提升。然而传统的有监督语义分割任务需要数量庞大的有标签数据参与训练，但这些数据的获取是非常昂贵且费时的。为了解决该问题，无监督语义分割提出从计算机合成数据中学习，这类数据无需人工标注，成本低廉。但是，虚拟数据与真实道路场景数据之间存在着较大的风格差异，它们在纹理和颜色等方面相距甚远，这使得在源域上训练良好的数据在目标域往往表现不佳。

2、传统方法将迁移学习的思想应用于该任务，目前已经取得了较大的性能提升。然而随着网络多次的上下采样，使得类别边缘像素丧失了一部分可辨别性，存在图像分割精度低的问题。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够提高图像分割精度的图像分割模型训练方法、图像分割方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

2、本技术提供了一种图像分割模型训练方法，包括：

3、基于样本图像对和第一损失函数对初始对抗网络进行对抗训练，得到中间对抗网络；

4、采用中间对抗网络中的中间分割模型对样本图像对中的目标图进行图像分割，得到中间分割图像；

5、根据中间分割图像中的边缘信息，确定边缘权重矩阵；

6、根据边缘权重矩阵分别对第一损失函数和中间分割图像进行调整；根据样本图像对、调整后的中间分割图像和调整后的第一损失函数对中间对抗网络进行对抗训练，得到训练后的图像分割模型；训练后的图像分割模型用于对采集图像进行图像分割。

7、在其中一个实施例中，根据中间分割图像中的边缘信息，确定边缘权重矩阵，包括：

8、针对中间分割图像中的任一像素，在边缘信息指示当前像素属于图形边缘的情况下，将边缘权重矩阵中与当前像素对应的元素置为第一权重；

9、在边缘信息指示当前像素不属于图形边缘的情况下，将边缘权重矩阵中与当前像素对应的元素置为第二权重；第一权重大于第二权重。

10、在其中一个实施例中，边缘信息用于指示当前像素是否属于图形边缘；边缘信息的获取步骤，包括：

11、获取中间分割图像中各像素各自对应的灰度值；

12、确定灰度值大于预设值的像素属于图形边缘，并确定灰度值不大于预设值的像素不属于图形边缘。

13、在其中一个实施例中，初始对抗网络包括初始分割模型和初始判别器；基于样本图像对和第一损失函数对初始对抗网络进行对抗训练，得到中间对抗网络，包括：

14、采用初始分割模型分别对样本图像对中的源图和目标图进行特征提取，得到源图语义特征和目标图语义特征；

15、通过初始判别器分别对源图语义特征和目标图语义特征进行判别，得到源图判别结果和目标图判别结果；

16、根据源图判别结果、目标图判别结果和第一损失函数，计算第一损失；

17、基于第一损失对初始对抗网络进行对抗训练，得到中间对抗网络。

18、在其中一个实施例中，基于第一损失对初始对抗网络进行对抗训练，得到中间对抗网络，包括：

19、根据源图语义特征、样本图像对中的源图标签和第二损失函数，计算第二损失；

20、基于第一损失和第二损失对初始对抗网络的模型参数进行调整，直至达到预设停止状态时停止，得到中间对抗网络。

21、本技术还提供了一种图像分割模型训练装置，包括：

22、第一训练模块，用于基于样本图像对和第一损失函数对初始对抗网络进行对抗训练，得到中间对抗网络；

23、第一分割模块，用于采用中间对抗网络中的中间分割模型对样本图像对中的目标图进行图像分割，得到中间分割图像；

24、确定模块，用于根据中间分割图像中的边缘信息，确定边缘权重矩阵；

25、第二训练模块，用于根据边缘权重矩阵分别对第一损失函数和中间分割图像进行调整；根据样本图像对、调整后的中间分割图像和调整后的第一损失函数对中间对抗网络进行对抗训练，得到训练后的图像分割模型；训练后的图像分割模型用于对采集图像进行图像分割。

26、本技术提供了一种图像分割方法，包括：

27、获取车辆行驶过程中的采集图像；

28、采用训练后的图像分割模型对采集图像进行图像分割，得到采集图像对应的图像分割结果；训练后的图像分割模型为采用图像分割模型训练方法得到。

29、本技术还提供了一种图像分割装置，包括：

30、获取模块，用于获取车辆行驶过程中的采集图像；

31、第二分割模块，用于采用训练后的图像分割模型对采集图像进行图像分割，得到采集图像对应的图像分割结果；训练后的图像分割模型为采用图像分割模型训练方法得到。

32、本技术还提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：

33、基于样本图像对和第一损失函数对初始对抗网络进行对抗训练，得到中间对抗网络；

34、采用中间对抗网络中的中间分割模型对样本图像对中的目标图进行图像分割，得到中间分割图像；

35、根据中间分割图像中的边缘信息，确定边缘权重矩阵；

36、根据边缘权重矩阵分别对第一损失函数和中间分割图像进行调整；根据样本图像对、调整后的中间分割图像和调整后的第一损失函数对中间对抗网络进行对抗训练，得到训练后的图像分割模型；训练后的图像分割模型用于对采集图像进行图像分割；

37、以及，获取车辆行驶过程中的采集图像；

38、采用训练后的图像分割模型对采集图像进行图像分割，得到采集图像对应的图像分割结果；训练后的图像分割模型为采用图像分割模型训练方法得到。

39、本技术还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

40、基于样本图像对和第一损失函数对初始对抗网络进行对抗训练，得到中间对抗网络；

41、采用中间对抗网络中的中间分割模型对样本图像对中的目标图进行图像分割，得到中间分割图像；

42、根据中间分割图像中的边缘信息，确定边缘权重矩阵；

43、根据边缘权重矩阵分别对第一损失函数和中间分割图像进行调整；根据样本图像对、调整后的中间分割图像和调整后的第一损失函数对中间对抗网络进行对抗训练，得到训练后的图像分割模型；训练后的图像分割模型用于对采集图像进行图像分割；

44、以及，获取车辆行驶过程中的采集图像；

45、采用训练后的图像分割模型对采集图像进行图像分割，得到采集图像对应的图像分割结果；训练后的图像分割模型为采用图像分割模型训练方法得到。

46、本技术还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

47、基于样本图像对和第一损失函数对初始对抗网络进行对抗训练，得到中间对抗网络；

48、采用中间对抗网络中的中间分割模型对样本图像对中的目标图进行图像分割，得到中间分割图像；

49、根据中间分割图像中的边缘信息，确定边缘权重矩阵；

50、根据边缘权重矩阵分别对第一损失函数和中间分割图像进行调整；根据样本图像对、调整后的中间分割图像和调整后的第一损失函数对中间对抗网络进行对抗训练，得到训练后的图像分割模型；训练后的图像分割模型用于对采集图像进行图像分割；

51、以及，获取车辆行驶过程中的采集图像；

52、采用训练后的图像分割模型对采集图像进行图像分割，得到采集图像对应的图像分割结果；训练后的图像分割模型为采用图像分割模型训练方法得到。

53、上述图像分割模型训练方法、装置、计算机设备、计算机可读存储介质和计算机程序产品，通过对抗训练得到中间对抗网络，采用中间对抗网络中的中间分割模型进行图像分割，得到的中间分割图像接近于真实图像；由于图像中的类别边缘像素往往可辨性较低，基于中间分割图像中的边缘信息确定边缘权重矩阵，从而增强类别边缘像素，使网络更加关注边缘信息；基于调整后的中间分割图像和调整后的第一算是函数继续对中间对抗网络进行对抗训练，得到的训练后的图像分割模型具有较高的图像分割精度。

54、上述图像分割方法、装置、计算机设备、计算机可读存储介质和计算机程序产品，获取车辆行驶过程中的采集图像，采用训练后的图像分割模型对采集图像进行图像分割，得到采集图像对应的图像分割结果，由于训练后的图像分割模型为采用图像分割模型训练方法得到，因此，图像分割结果具有较高的精度。