[发明专利]图像语义分割模型的优化方法、装置和电子设备

说明书

本公开提供了一种图像语义分割模型的优化方法、装置和电子设备，涉及人工智能技术领域，具体为计算机视觉技术和深度学习技术领域，可应用于图像处理场景。方案为：在对图像语义分割模型进行优化时，通过借助两个网络结构相同的第一图像语义分割模型和第二图像语义分割模型，在基于标注图像分别确定两个图像语义分割模型各自对应的交叉熵损失的基础上，再利用未标注图像，基于未标注图像分别确定两个图像语义分割模型各自对应的其它损失，充分考虑到了交叉熵损失之外的其它损失，这样根据两个图像语义分割模型各自对应的交叉熵损失和其它损失共同对两个图像语义分割模型进行优化，可以有效地提高图像语义分割模型的准确度。

技术领域

本申请公开了一种图像语义分割模型的优化方法、装置和电子设备，涉及人工智能技术领域，具体为计算机视觉技术和深度学习技术领域，可应用于图像处理场景。

背景技术

图像语义分割的主要目的是对输入图像的每帧像素点属于什么物体进行预测。在对图像语义分割模型进行训练时，通常是利用具有标注数据的标注图像作为训练样本进行训练。由于标注图像都是像素级别的标注，需要耗费非常多的人力，标注效率较低。而不具有标注数据的未标注图像却很容易获取。

因此，如何在利用标注图像训练图像语义分割模型的基础上，充分利用未标注图像共同训练图像语义分割模型，从而提高图像语义分割模型的准确度，是本领域技术人员亟待解决的问题。

发明内容

本申请提供了一种图像语义分割模型的优化方法、装置和电子设备，在利用标注图像训练图像语义分割模型的基础上，充分利用未标注图像共同训练图像语义分割模型，从而有效地提高了图像语义分割模型的准确度。

根据本申请的第一方面，提供了一种图像语义分割模型的优化方法，包括：

获取标注图像和未标注图像。

基于所述标注图像分别确定第一图像语义分割模型和第二图像语义分割模型各自对应的交叉熵损失；其中，所述第一图像语义分割模型和所述第二图像语义分割模型的网络结构相同。

基于所述未标注图像分别确定所述第一图像语义分割模型和所述第二图像语义分割模型各自对应的其它损失；其中，所述其它损失包括一致性损失、对抗训练损失、或者稳定性损失中的至少一个。

根据所述第一图像语义分割模型和所述第二图像语义分割模型各自对应的交叉熵损失和其它损失，分别对所述第一图像语义分割模型和所述第二图像语义分割模型进行优化，并基于优化后的第一、第二图像语义分割模型确定目标图像语义分割模型。

根据本申请的第二方面，提供了一种图像语义分割模型的优化装置，包括：

获取单元，用于获取标注图像和未标注图像。

第一确定单元，用于基于所述标注图像分别确定第一图像语义分割模型和第二图像语义分割模型各自对应的交叉熵损失；其中，所述第一图像语义分割模型和所述第二图像语义分割模型的网络结构相同。

第二确定单元，用于基于所述未标注图像分别确定所述第一图像语义分割模型和所述第二图像语义分割模型各自对应的其它损失；其中，所述其它损失包括一致性损失、对抗训练损失、或者稳定性损失中的至少一个。

优化单元，用于根据所述第一图像语义分割模型和所述第二图像语义分割模型各自对应的交叉熵损失和其它损失，分别对所述第一图像语义分割模型和所述第二图像语义分割模型进行优化，并基于优化后的第一、第二图像语义分割模型确定目标图像语义分割模型。

根据本申请的第三方面，提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，