[发明专利]一种制作语义分割网训练样本的方法、系统及介质

说明书

本发明提供了一种制作语义分割网训练样本的方法、系统及介质，涉及深度学习技术领域，该方法包括：步骤1：设定裁剪后获得的训练样本的尺寸，设定单张source_image和mask_image裁剪得到crop_source_image和crop_mask_image图的数量number，设定裁剪标记图crop_mask_image像素值大于0的像素个数阈值the；步骤2：获取起始坐标点point(x，y)；步骤3：在source_image和mask_image上进行裁剪，得到裁剪原图crop_source_image和裁剪标记图crop_mask_image；步骤4：计算裁剪标记图crop_mask_image图中像素值大于0的像素值的个数count；步骤5：将像素个数阈值the和像素值的个数count之间进行比较；步骤6：比较完成后，保存裁切后的裁剪原图crop_source_image和裁剪标记图crop_mask_image；步骤7：判断i是否大于等于number。本发明能够减少重复使用大量的负样本对网络进行训练，平衡正、负样本的数量。

技术领域

本发明涉及深度学习技术领域，具体地，涉及一种制作语义分割网训练样本的方法、系统及介质。

背景技术

随着深度学习的不断发展，深度学应用领域也越来越多，语义分割一直是深度学习的一个热门分支，使用的非常广泛，例如，自动驾驶目标分割，医疗影像病灶分割，工业领域缺陷分割、生物领域的细胞检测等等，要想分割网能够很好的检测出目标，前提是要制作出分割网可以使用的样本。目前语义分割网络使用的主流样本包含原图和标记图，原图定义为source_image，标记图定义为mask_image，原图通过网络推理生成特征图，特征图定义为feature_image，mask_image与生成的feature_image一起通过损失函数计算损失值，并通过梯度下降更新网络参数。

在训练样本的制作过程中，现在主要的方法是直接输入产品source_image和mask_image图，然后通过在产品source_image和mask_image上随机剪裁，获得固定尺寸训练样本crop_source_image和crop_mask_image，然后送进语义分割网络进行训练。

针对上述现有技术，存在以下技术缺陷，在一幅图中，目标占一幅图的比例一般很小，因此随机剪裁的方法，容易造成正、负样本不均衡，使负样本数远远大于正样本数，同时使网络收敛速度减慢，从而影响模型的召回率。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种制作语义分割网训练样本的方法、系统及介质，能够减少重复使用大量的负样本对网络进行训练，从而具有更少的负样本，平衡正、负样本的数量。

根据本发明提供的一种制作语义分割网训练样本的方法、系统及介质，所述方案如下：

第一方面，提供了一种制作语义分割网训练样本的方法，所述方法包括：

设定裁剪后获得的训练样本的尺寸：宽度width和高度height，并自动转成离32倍数最近的整数，设定单张source_image和mask_image裁剪得到crop_source_image和crop_mask_image图的数量number，设定裁剪标记图crop_mask_image像素值大于0的像素个数阈值the；

设定完成之后，获取裁剪图在source_image和mask_image上的起始坐标点point(x，y)；

以起始坐标点point为起始点，以宽度width和高度height为尺寸，在source_image和mask_image上进行裁剪，得到裁剪原图crop_source_image和裁剪标记图crop_mask_image；

计算裁剪标记图crop_mask_image图中像素值大于0的像素值的个数count；

将像素个数阈值the和像素值的个数count之间进行比较；