[发明专利]语义分割模型的训练方法、装置、计算机设备和存储介质

说明书

本申请提供了一种语义分割模型的训练方法、装置、计算机设备和存储介质，其中方法包括：构建训练样本集，所述训练样本集中包括第一类别物体以及第二类别物体，其中第一类别物体标记有边界框以及分割掩码，所述第二类别物体标记有边界框；将所述训练样本集输入至深度网络模型中进行训练，训练出所述第一类别物体的第一边界框参数、第一掩码参数以及第二类别物体的第二边界框参数；将所述第一边界框参数以及第一掩码参数输入至权重传递函数中进行训练，训练出边界框预测掩码参数；根据上述训练出的参数构建出语义分割模型。本申请大幅度降低训练样本集的标记成本，且降低后续训练样本和训练计算时的压力，提升训练效率。

技术领域

本申请涉及计算机技术领域，特别涉及一种语义分割模型的训练方法、装置、计算机设备和存储介质。

背景技术

图像语义分割的意思就是机器自动分割图像并识别出图像中的内容，比如给出一个人骑摩托车的照片，从照片中将摩托车和人分别分割出来。对图像进行语义分割时，需要得到分割掩码(segmentation mask)来对图像进行分割；目前无法根据边界框去推导出分割掩码，因此，训练时，若要实现对图像进行分割，则需要在所有实例上标记有分割掩码。

现有的语义分割方法要求所有训练实例都必须标记有分割掩码，即对每一个像素进行标注，使得注释新类别的成本十分昂贵，而且将实例分割模型限制在约100个详细注释的类别(即最多在100个类别都标记有分割掩码)。这种语义分割方法成本太高，到100种分类时，在制作训练样本和训练算力两个方面压力都很大，目前最大的实例分割公开数据集只有80个类别。因此，成本太高，不适合推广使用。

发明内容

本申请的主要目的为提供一种语义分割模型的训练方法、装置、计算机设备和存储介质，克服训练语义分割模型时成本高的缺陷。

为实现上述目的，本申请提供了一种语义分割模型的训练方法，包括以下步骤：

构建训练样本集，所述训练样本集中包括第一类别物体以及第二类别物体，其中第一类别物体标记有边界框以及分割掩码，所述第二类别物体标记有边界框；

将所述训练样本集输入至深度网络模型中进行训练，训练出所述第一类别物体的第一边界框参数、第一掩码参数以及第二类别物体的第二边界框参数；将所述第一边界框参数以及第一掩码参数输入至权重传递函数中进行训练，训练出边界框预测掩码参数；

将所述第一边界框参数、第一掩码参数、第二边界框参数以及边界框预测掩码参数输入至所述深度网络模型以及所述权重传递函数中，构建出语义分割模型。

进一步地，所述将所述第一边界框参数、第一掩码参数、第二边界框参数以及边界框预测掩码参数输入至深度网络模型以及权重传递函数中，构建出语义分割模型的步骤之后，包括：

将待分割图像输入至所述语义分割模型中以输出待分割图像的语义分割结果。

进一步地，所述将待分割图像输入至所述语义分割模型中以输出待分割图像的语义分割结果的步骤，包括：

将所述待分割图像输入至所述语义分割模型中，通过所述第一边界框参数预测出待分割图像中第一类别物体的边界框，以及通过所述第二边界框参数预测出待分割图像中第二类别物体的边界框；

根据所述第一类别物体的边界框、第二类别物体的边界框以及所述边界框预测掩码参数，分别预测出所述待分割图像中第一类别物体以及第二类别物体的掩码参数；

根据所述待分割图像中第一类别物体以及第二类别物体的掩码参数对所述待分割图像中的第一类别物体以及第二类别物体进行图像语义分割。

进一步地，所述深度网络模型为Mask-RCNN网络模型。

进一步地，所述权重传递函数的表达式为：