[发明专利]基于对抗网络模型的群养猪实例分割方法

权利要求书

1.一种基于对抗网络模型的群养猪实例分割方法，其特征在于，包括：

获取群猪影像数据；

基于对抗网络模型对所述群猪影像数据进行处理，得到每只猪只的坐标集合、分割掩码和分类信息；

所述对抗网络模型是实例分割模型经由修正网络修正后形成的；所述修正网络包含平滑损失函数，用以计算实例分割预测值和真实值的距离；所述修正网络将所述平滑损失函数加入所述实例分割模型的损失函数进行补偿，形成修正后的对抗网络模型；

所述实例分割模型，包括：Mask Scoring R-CNN模型。

2.根据权利要求1所述的基于对抗网络模型的群养猪实例分割方法，其特征在于，

所述Mask Scoring R-CNN模型，包括：基础骨干网络、基于候选区域网络RPN、头部网络Mask Head和分割质量评分网络MaskIoU；

所述基础骨干网络用于处理群猪影像数据，并将得到的特征图输入至所述RPN；

所述RPN用于处理特征图，并将得到的感兴趣区域输入至所述Mask Head和所述修正网络；

所述Mask Head基于感兴趣区域进行分类和边框回归，得到每只猪只的坐标集合、分割掩码和分类信息以及将预测分割掩码最大池化处理后输至所述MaskIoU；

所述MaskIoU用于对所述Mask Head中的预测分割掩码进行质量评分。

3.根据权利要求2所述的基于对抗网络模型的群养猪实例分割方法，其特征在于，

所述MaskIoU包括四层卷积层和三层全连接层；其中，在四层卷积层中，第一层的卷积核大小为3×3×257，其它三层的卷积核大小均为3×3×256；在三层全连接层中，第一层和第两层的输出为1024，第三层的输出为类别的个数；

所述MaskIoU基于所述预测分割掩码与所述感兴趣区域得到输入特征；

所述MaskIoU的损失函数为

L_IoU(T_pred,T_gt)＝∑(T_pred-T_gt)²

其中，L_IoU表示MaskIoU的损失函数；T_pred表示预测分割掩码；T_gt表示标注分割掩码。

4.根据权利要求2所述的基于对抗网络模型的群养猪实例分割方法，其特征在于，

所述RPN为三个卷积层以树状结构排列的全卷积层，树干是一个3×3的卷积层，树枝是2个1×1的卷积层；

所述RPN输出的ROI通过RoIAlign网络进行双线性插值操作后得到的每个ROI对应的特征图作为所述Mask Head的输入。

5.根据权利要求1所述的基于对抗网络模型的群养猪实例分割方法，其特征在于，

所述对抗网络模型的损失函数为

L_RoI＝L_cls+L_box+L_mask+L_IoU+L_Dis

其中，L_cls是分类损失函数；L_box是边框检测损失函数；L_mask是分割掩码损失；L_IoU是MaskIoU的损失函数；L_Dis是修正网络的平滑损失函数。