[发明专利]图像分割模型训练方法、装置及通信设备

说明书

本申请适用于机器人技术领域，提供了图像分割模型训练方法、装置及通信设备，包括：通过待训练的图像分割模型对第一图像进行分割预测，得到第一预测结果，所述第一图像为具有标签的图像；通过所述待训练的图像分割模型对第二图像进行分割预测，得到第二预测结果，所述第二图像为没有标签的图像；将所述第一预测结果与所述第二预测结果输入待训练的判别器，得到所述待训练的判别器输出的判别结果；根据所述第一预测结果、第一图像的标签以及所述判别结果对所述待训练的图像分割模型和所述待训练的判别器进行训练，直至满足预设的停止训练条件，得到训练后的图像分割模型。通过上述方法，使得训练后的图像分割模型具有精准的图像分割效果。

技术领域

本申请属于机器人技术领域，尤其涉及图像分割模型训练方法、装置、通信设备及计算机可读存储介质。

背景技术

近年来，随着人工智能(Artificial Intelligence，AI)的快速发展，许多基于AI的应用被开发了出来。这些AI应用可以部署于各个平台，其中分割算法是许多AI应用的基础。例如在机器人视觉导航中，高精度的语义地图是精准导航的关键，而高精度的语义地图的构建往往需要高精度的场景的图像分割模型。

目前，图像分割模型通常使用大量标注好的数据集来训练、优化模型的参数，最终使得图像分割模型能够拟合数据的分布。但是通常情况下，由于训练集和测试集都来自于同一分布(同源)，因此，往往导致训练好的图像分割模型在一种场景下分割效果很好，但是在其他场景下的分割效果很差。

然而在机器人的实际视觉导航中，由于机器人会经常穿梭于室内与室外，因此，在进行视觉导航时就会面临环境光照的变化。此外，室外的早晨、中午和黄昏的环境光照也各不相同，因此，实际的场景分割面临的情况是复杂的，也就是说要面临着非同源数据下的分割。其中，非同源数据，是指分别位于分布不一致的训练数据集和在实际使用过程中的数据集中的数据。

为了解决非同源数据下的物体场景分割，通常的做法是收集尽可能多的数据，以使得训练数据集中尽可能多地拟合在实际运行过程中所遇到的问题。但由于实际面临的情况是多种多样的，因此难以收集到覆盖全部使用场景的数据，收集的难度极大。同时，由于训练图像语义分割模型时还需要足够的已标注的图像数据，因此，当收集到各种场景下的图像数据后，还需要对每个像素进行标记，从而需要耗费较多的时间。

发明内容

本申请实施例提供了一种图像分割模型训练方法，可以解决在对图像分割模型进行训练时，由于需要对收集的各个图像进行标注，从而导致耗费的时长较长的问题。

第一方面，本申请实施例提供了一种图像分割模型训练方法，包括：

通过待训练的图像分割模型对第一图像进行分割预测，得到第一预测结果，所述第一图像为具有标签的图像；

通过所述待训练的图像分割模型对第二图像进行分割预测，得到第二预测结果，所述第二图像为没有标签的图像；

将所述第一预测结果与所述第二预测结果输入待训练的判别器，得到所述待训练的判别器输出的判别结果；

根据所述第一预测结果、第一图像的标签以及所述判别结果对所述待训练的图像分割模型和所述待训练的判别器进行训练，直至满足预设的停止训练条件，得到训练后的图像分割模型。

第二方面，本申请实施例提供了一种图像分割方法，包括：

获取待分割图像；

采用如第一方面所述的训练后的图像分割模型对所述待分割图像进行图像分割，得到图像分割结果。

第三方面，本申请实施例提供了一种图像分割模型训练装置，包括：

第一预测结果确定单元，用于通过待训练的图像分割模型对第一图像进行分割预测，得到第一预测结果，所述第一图像为具有标签的图像；