[发明专利]图像语义分割模型生成方法、装置、设备及存储介质

权利要求书

1.一种图像语义分割模型生成方法，其特征在于，该方法包括：

获取图像样本集；

利用所述图像样本集训练图像语义分割模型，所述图像语义分割模型包括特征图提取部分和特征图分析部分，所述特征图提取部分包括多个级联的空洞卷积处理的残差模块，所述特征图分析部分是基于注意力机制、像素相关性机制以及多尺度信息来构建的；

其中，所述特征图分析部分包括双重注意力子模型、第一条件随机场子模型、金字塔池化子模型和第二条件随机场子模型，则利用所述图像样本集训练图像语义分割模型包括以下步骤：

利用所述图像样本集训练所述特征图提取部分；

将所述特征图提取部分的最后一个残差模块输出的特征图，分别输入到待训练的所述双重注意力子模型和所述金字塔池化子模型；

将所述双重注意力子模型输出的特征图经过反卷积操作后，输入到所述第一条件随机场子模型，所述第一条件随机场子模型输出的所述图像样本集中每个图像样本的每个像素的第一预测值；

将所述金字塔池化子模型输出的特征图经过反卷积操作后，输入到所述第二条件随机场子模型，所述第二条件随机场子模型输出的所述图像样本集中每个图像样本的每个像素的第二预测值；

分别计算所述第一预测值和所述第二预测值对应的第一损失值和第二损失值，并将所述第一损失值和所述第二损失值按照权重系数求和作为所述图像语义分割模型的损失函数。

2.根据权利要求1所述的图像语义分割模型生成方法，其特征在于，利用所述图像样本集训练图像语义分割模型包括以下步骤：

将所述图像样本集划分为训练集和验证集；

构建损失函数，所述损失函数是基于归一化交叉熵形式来表征所述图像语义分割模型的输出结果；

迭代地利用所述训练集对所述图像语义分割模型进行训练学习，使得所述损失函数值趋于最小值；

利用所述验证集对经过训练学习的所述图像语义分割模型进行评估。

3.根据权利要求1所述的图像语义分割模型生成方法，其特征在于，所述特征图分析部分还包括：双重注意力子模型、第一条件随机场子模型、金字塔池化子模型、第二条件随机场子模型和第三条件随机场子模型，则利用所述图像样本集训练图像语义分割模型包括以下步骤：

利用所述图像样本集训练所述特征图提取部分；

将所述特征图提取部分的最后一个残差模块输出的第一特征图，分别输入到待训练的所述双重注意力子模型和所述金字塔池化子模型；

将所述双重注意力子模型输出的第一特征图经过反卷积操作后，输入到所述第一条件随机场子模型，所述第一条件随机场子模型输出的所述图像样本中每个图像样本的每个像素的第一预测值；

将所述金字塔池化子模型输出的第一特征图经过反卷积操作后，输入到所述第二条件随机场子模型，所述第二条件随机场子模型输出的所述图像样本集中每个图像样本的每个像素的第二预测值；

并将所述特征图提取部分中倒数第二个残差模块输出的第二特征图经过反卷积操作后，输入到所述第三条件随机场子模型，所述第三条件随机场子模型输出的所述图像样本集的每个图像样本中每个像素的第三预测值；

分别计算所述第一预测值、所述第二预测值和所述第三预测值对应的第一损失值、第二损失值和第三损失值，并将所述第一损失值、所述第二损失值和所述第三损失值按照权重系数求和作为所述图像语义分割模型的损失函数。

4.根据权利要求3所述的图像语义分割模型生成方法，将所述第一损失值、所述第二损失值和第三损失值按照权重系数求和作为所述图像语义分割模型的损失函数，包括以下步骤：

对所述第一条件随机场子模型输出的第一预测值按照归一化交叉熵计算得到所述第一损失值；

对所述第二条件随机场子模型输出的第二预测值按照归一化交叉熵计算得到所述第二损失值；

对所述第三条件随机场子模型输出的第三预测值按照归一化交叉熵计算得到所述第三损失值；

所述损失函数是对所述第一损失值、所述第二损失值与第一权重值的乘积、所述第三损失值与第二权重值的乘积的求和结果。