[发明专利]一种地面分割网络模型的训练方法、装置、设备和介质

说明书

本发明公开了一种地面分割网络模型的训练方法、装置、设备和介质，由于该方法中基于深度图像确定水平高度角度编码HHA的HHA图像中的地面高度通道H图像，提取原始地面分割网络模型中多个卷积层对应的H图像的H特征向量和RGB图像的RGB特征向量，仅采用H图像的H特征向量与RGB图像的RGB特征向量进行深度注意力机制融合处理，从而减少了计算量；并且本发明中是基于RGB图像和H图像共同进行处理，解决了仅采用包含交通道路信息的原始图像时，图像中颜色形态相近的物体不易分割的问题，从而提高了分割精度。

技术领域

本发明涉及地面分割技术领域，尤其涉及一种地面分割网络模型的训练方法、装置、设备和介质。

背景技术

现有技术中进行地面分割的方法包括一种RGB-D图像的语义分割方法、以及一种用于路面分割的深度学习方法。

图1为现有技术提供的一种RGB-D图像的语义分割方法的流程示意图，如图1所示，该方法包括以下步骤：S101：提取RGB-D图像多个阶段的RGB编码特征和深度编码特征；S102：将多个阶段中每个阶段的RGB编码特征和深度编码特征输入注意力模型，得到与每个阶段对应的各多模态融合特征；S103：使用长短期记忆网络提取第五阶段多模态融合特征的上下文语义信息；S104：拼接第五阶段多模态融合特征和上下文语义信息，得到上下文语义特征；S105：对上下文语义特征进行上采样，使用跳跃连接方式与对应阶段的多模态融合特征融合，得到语义分割图和语义分割模型。

图2为现有技术提供的一种用于路面分割的深度学习方法的流程示意图，如图2所示，该方法包括以下步骤：S201：利用多个预设滤波器对原始特征图像依次进行滤波处理，每个预设滤波器内滤波矩阵的行和列中至少一个大于1，所述原始特征图像是对包含交通道路信息的原始图像进行采样处理后生成的；S202：将滤波处理后的特征图像与所述原始特征图像进行拼接，生成目标特征图像；S203：基于所述目标特征图像进行路面分割计算。

在上述方法中，语义分割方法由于同时进行了多层的数据拼接，导致进行地面分割时的计算量较大，而深度学习方法由于仅采用了包含交通道路信息的原始图像，导致图像中颜色形态相近的物体不易分割，分割精度较低。因此在进行地面分割时，如何提高分割精度并降低计算量就成为亟待解决的技术问题。

发明内容

本发明提供了一种地面分割网络模型的训练方法、装置、设备和介质，用以解决现有技术中的如何提高分割精度并降低计算量的技术问题。

本发明提供了一种地面分割网络模型的训练方法，所述方法包括：

获取包含地面信息的红绿蓝RGB图像和对应的深度图像，基于所述深度图像确定水平高度角度编码HHA图像中的地面高度通道H图像，并输入原始地面分割网络模型进行多阶段特征提取，提取所述原始地面分割网络模型中多个卷积层对应的所述H图像的H特征向量和所述RGB图像的RGB特征向量；

基于所述原始地面分割网络模型，对预设卷积层到末端卷积层中每个卷积层对应的所述H特征向量和所述RGB特征向量进行深度注意力机制融合处理，得到融合后特征向量；

基于所述原始地面分割网络模型，对所述预设卷积层对应的融合后特征向量进行卷积和上采样得到原型特征图，对所述预设卷积层到所述末端卷积层中每个卷积层对应的融合后特征向量进行卷积得到预测的类型，其中所述原型为所述RGB图像中待分割目标的初始轮廓，所述类型包括地面轮廓类型，融合所述原型特征图和预测的所述类型得到预测的地面分割图，并根据所述预测的地面分割图得到训练完成的地面分割网络模型。

进一步地，所述提取所述原始地面分割网络模型中多个卷积层对应的所述H图像的H特征向量和所述RGB图像的RGB特征向量包括：

提取所述原始地面分割网络模型中预设卷积层到末端卷积层对应的所述H图像的H特征向量、以及预设卷积层对应的所述RGB图像的RGB特征向量；