[发明专利]语义分割方法、装置、计算机设备和存储介质

说明书

本申请涉及一种语义分割方法、装置、计算机设备和存储介质。所述方法包括：获取待进行语义分割的目标图像；将所述目标图像输入到预先训练的目标语义分割网络中，得到所述目标语义分割网络输出的目标分割结果；所述目标分割结果包括所述目标图像中各像素点对应的目标语义标签；其中，所述目标语义分割网络是根据样本图像中具有同类语义标签的像素点之间的相关性，以及所述样本图像对应的标注训练得到的。采用本方法能够提高语义分割网络的分类准确性。

技术领域

本申请涉及计算机视觉技术领域，特别是涉及一种语义分割方法、装置、计算机设备和存储介质。

背景技术

在计算机视觉领域，目前神经网络的应用主要有图像识别、目标定位与检测和语义分割。其中，语义分割网络广泛应用在自动驾驶、医疗影像分析、机器人等领域中，其分类的准确性是研究人员最为关心的问题之一。

相关技术中，语义分割网络通常是采用交叉熵损失函数训练得到的，或者是采用在交叉熵损失函数的基础上改进的函数训练得到的，比如，weighted loss、focal loss。

但是，语义分割网络的分类准确性仍需进一步提高。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高语义分割网络的分类准确性的语义分割方法、装置、计算机设备和存储介质。

一种语义分割方法，该方法包括：

获取待进行语义分割的目标图像；

将目标图像输入到预先训练的目标语义分割网络中，得到目标语义分割网络输出的目标分割结果；目标分割结果包括目标图像中各像素点对应的目标语义标签；

其中，目标语义分割网络是根据样本图像中具有同类语义标签的像素点之间的相关性，以及样本图像对应的标注训练得到的。

在其中一个实施例中，在上述将目标图像输入到预先训练的目标语义分割网络中之前，该方法还包括：

获取训练样本集合；训练样本集合包括多个样本图像和各样本图像对应的标注；样本图像对应的标注包括样本图像中各像素点对应的实际语义标签；

将样本图像输入到初始的语义分割网络中，得到初始的语义分割网络输出的训练分割结果；训练分割结果包括样本图像中各像素点对应的训练语义标签；

利用预先设置的损失函数和训练分割结果计算总损失值；总损失值表征样本图像中具有同类语义标签的像素点之间的相关性，以及训练分割结果与样本图像对应的标注之间的差异性；

根据总损失值对初始的语义分割网络中的可调参数进行调整，直到总损失值符合收敛条件为止，并将总损失值符合收敛条件时的语义分割网络作为目标语义分割网络。

在其中一个实施例中，上述利用预先设置的损失函数和训练分割结果计算总损失值，包括：

利用预先设置的第一损失函数和训练分割结果计算第一损失值；第一损失值表征样本图像中具有同类语义标签的像素点之间的相关性；

利用预先设置的第二损失函数和训练分割结果计算第二损失值；第二损失值表征训练分割结果与标注之间的差异性；

对第一损失值和第二损失值进行求和计算，得到总损失值。

在其中一个实施例中，上述利用预先设置的第一损失函数和训练分割结果计算第一损失值，包括：

根据训练分割结果，对各类训练语义标签对应的像素点进行统计，得到各类训练语义标签对应的像素点集合；

针对各类训练语义标签对应的像素点集合，利用第一损失函数计算像素点集合中每两个像素点的概率的散度和，得到各类训练语义标签对应的第一散度和；