[发明专利]用于检测危险要素的学习用图像数据集的生成方法和装置

权利要求书

1.一种生成用于在至少一个输入图像中检测一个以上客体的卷积神经网络CNN的学习用图像数据集的方法，其特征在于，包括：

步骤(a)，计算装置，获得或支持其他装置获得输入图像所对应的至少一个第1标签图像，其中，所述输入图像针对所述客体与背景之间的一个以上的边界设置有一个以上的边缘部分，并针对对应于所述背景及各个所述客体的各个类分配有互不相同的标签值；

步骤(b)，所述计算装置，提取所述背景的类与所述客体的各个类之间的所述边缘部分，从所述第1标签图像中生成或支持其他装置生成至少一个边缘图像；

步骤(c)，所述计算装置，针对所述提取的边缘部分赋予一个以上的加权值而生成或支持其他装置生成至少一个边缘加强图像，向所述第1标签图像合并所述边缘加强图像而生成或支持其他装置生成至少一个第2标签图像；及

步骤(d)，所述计算装置，将所述输入图像及用作对应其的地面实况GT图像的所述第2标签图像作为所述学习用图像数据集进行存储，或支持其他装置进行存储，其中，

在所述步骤(c)，通过增加所述提取的边缘部分的幅度，生成一个以上扩大的边缘部分，通过针对所述扩大的边缘部分赋予所述加权值，生成所述边缘加强图像。

2.根据权利要求1所述的方法，其特征在于，

在所述边缘加强图像中分配到所述边缘部分的标签值，大于在所述第1标签图像中分配到各个所述客体的各个标签值。

3.根据权利要求1所述的方法，其特征在于，

在所述步骤(c)，所述边缘加强图像生成为，使得赋予到所述扩大的边缘部分的所述加权值具备均一形态。

4.根据权利要求1所述的方法，其特征在于，

在所述步骤(c)，所述边缘加强图像生成为，使得赋予到所述扩大的边缘部分的所述加权值具备高斯形态。

5.一种用于从至少一个输入图像中检测一个以上的客体的CNN的学习方法，其特征在于，包括：

步骤(a)，第1计算装置，(i)获得或支持其他装置获得输入图像所对应的至少一个第1标签图像，其中，所述输入图像针对所述客体与背景之间的一个以上的边界设置有一个以上边缘部分，并针对对应于所述背景及各个所述客体的各个类分配有互不相同的标签值，(ii)提取所述背景的类与所述客体的各个类之间的所述边缘部分，从所述第1标签图像中生成或支持其他装置生成至少一个边缘图像，(iii)针对所述提取的边缘部分赋予一个以上加权值而生成或支持其他装置生成至少一个边缘加强图像，向所述第1标签图像合并所述边缘加强图像而生成或支持其他装置生成至少一个第2标签图像，(iv)将所述输入图像及用作对应其的GT图像的所述第2标签图像，作为学习用图像数据集进行存储，或支持其他装置进行存储，在通过以上过程生成了所述学习用图像数据集的情况下，第2计算装置获得或支持其他装置获得所述输入图像作为训练图像；

步骤(b)，所述第2计算装置，从所述CNN获得或支持其他装置获得所述训练图像的至少一个分割结果；及

步骤(c)，所述第2计算装置，利用所述分割结果及所述第2标签图像算出至少一个损失，并反向传播所述算出的损失，从而最优化或支持其他装置最优化所述CNN的一个以上的参数。