[发明专利]图像语义分割模型的转换方法和交通道路场景分析平台

说明书

本发明提供了一种图像语义分割模型的转换方法和交通道路场景分析平台，其中，模型转换方法包括：构造基础网络并对其轻量化处理，对DeepLabV3plus网络进行算子替换后获得语义分割初始模型；在基于PyTorch的深度学习框架下训练其得到图像语义分割模型；将图像语义分割模型转换到Caffe深度学习框架下，再转换到TensorRt深度学习框架下；其中，转换至Caffe深度学习框架下后，裁剪掉形成的填充层。本发明解决了现有技术中的图像语义分割模型存在与交通道路场景分析平台部署适配性差而无法稳定发挥性能的问题；以及因具有过多的网络参数而导致模型部署到交通道路场景分析平台时会浪费大量的算力，实用性差的问题。

技术领域

本发明涉及计算机视觉图像处理技术领域，具体而言，涉及一种图像语义分割模型的转换方法和交通道路场景分析平台。

背景技术

图像语义分割是计算机视觉领域的核心研究问题之一，图像语义分割的目标是对输入图像的每个像素分配标签，即实现像素级别的物体分类任务，主通过图像语义分割模型对输入图像的像素进行预测并分类，生成语义标签，最终将图像分割为若干个具有某种特定语义含义的像素区域。

在交通道路场景中，图像语义分割技术的应用广泛，图像语义分割技术通过对可行驶区域、行人、车辆等目标进行精准分析区分，为交通道路场景下的信息感知提供了可能。

随着AI技术的不断发展，各种先进的图像语义分割模型的网络虽然拥有较强的图像分割性能，但在特定的交通道路环境场景中，拥有过新的网络结构、过先进的算子的图像语义分割模型存在与交通道路场景分析平台部署适配性差的问题，这是因为现有的图像语义分割模型的部分算子模块对于不同版本的ONNX模型格式或Caffe模型格式的支持不尽相同，从而导致现有的图像语义分割模型无法在交通道路场景分析平台中稳定地发挥性能。不仅如此，现有的图像语义分割模型具有过多的网络参数，模型部署到交通道路场景分析平台时会浪费大量的算力，存在实用性差的问题。

相关技术中，公布号为CN113689441A的发明专利申请公开了一种基于DeepLabV3plus网络的左心室超声动态分割方法，其使用弱监督的学习方式学习标注图像的特征对未进行标注的二维超声心动图中的心尖四腔切面中的左心室超声图像进行动态分割。但并未能解决本申请所要解决的现有技术中存在的上述问题。

发明内容

本发明的主要目的在于提供一种图像语义分割模型的转换方法和交通道路场景分析平台，以解决现有技术中的图像语义分割模型存在与交通道路场景分析平台部署适配性差而无法稳定发挥性能的问题；以及因具有过多的网络参数而导致模型部署到交通道路场景分析平台时会浪费大量的算力，实用性差的问题。

为了实现上述目的，根据本发明的一个方面，提供了一种图像语义分割模型的转换方法，包括：步骤S1，构造基础网络为DeepLabV3plus+ResnetX，并对其轻量化处理后得到语义分割基础模型；步骤S2，对语义分割基础模型中的DeepLabV3plus网络进行算子替换后获得语义分割初始模型；步骤S3，利用样本图像训练集在基于PyTorch的深度学习框架下训练语义分割初始模型得到图像语义分割模型；步骤S4，将基于PyTorch的深度学习框架下的图像语义分割模型转换到Caffe深度学习框架下，再转换到TensorRt深度学习框架下，最终得到TensorRt深度学习框架下的图像语义分割模型；其中，当图像语义分割模型转换至Caffe深度学习框架下后，裁剪掉图像语义分割模型的DeepLabV3plus网络中形成的填充层再向TensorRt深度学习框架下转换。

进一步地，在步骤S4中，裁剪掉填充层的方式为：将填充层的上一层结构的输入端与填充层的下一层结构的输出端直接连接。

进一步地，步骤S2包括：步骤S21，将DeepLabV3plus网络的ASPP结构中的自适应均值池化算子替换为均值池化算子；步骤S22，将DeepLabV3plus网络的上采样算子使用的双线性差值模式计算替换为使用最邻近插值模式计算。