[发明专利]低光照语义分割模型训练方法、语义分割方法及装置

说明书

本发明公开了低光照语义分割模型训练方法、语义分割方法及装置，所述低光照语义分割模型的训练方法，所述方法包括：获取低光照下图像数据集；通过图像增强模型，分别对获取的图像数据进行增强处理，获得增强图像数据集和增强图像损失函数；通过语义分割模型，分别对获取的增强图像数据进行语义分割，获得语义分割图像数据集和语义分割损失函数；根据增强图像损失函数与语义分割损失函数，获得总损失函数；根据总损失函数对所述语义分割模型进行调整，获得低光照语义分割模型。本发明用于在低光照场景下获得精确的分割精度。

技术领域

本发明涉及图像处理和语义分割技术，特别是涉及低光照语义分割模型训练方法、语义分割方法及装置。

背景技术

语义分割为汽车的控制系统提供行驶环境的语义信息，帮助驾驶系统进行行驶判断，对于自动驾驶和地质勘测等应用至关重要。目前，用于自动驾驶的城市街景的语义算法只能作用于光照充足的理想场景，对于其余场景的鲁棒性不高，特别是处理夜间等低光照场景时，很难取得精确的语义分割结果。

发明内容

发明目的：为了克服现有技术的不足，本发明提供低光照语义分割模型训练方法、语义分割方法及装置，以提高低光照场景下语义分割的精准性。

技术方案：第一方面，本发明所述的一种低光照语义分割模型的训练方法，所述方法包括：

获取低光照下图像数据集；通过图像增强模型，分别对获取的图像数据进行增强处理，获得增强图像数据集和增强图像损失函数；通过语义分割模型，分别对获取的增强图像数据进行语义分割，获得语义分割图像数据集和语义分割损失函数；根据增强图像损失函数与语义分割损失函数，获得总损失函数；根据总损失函数对所述语义分割模型进行调整，获得低光照语义分割模型。

可选的，所述低光照下图像数据集的获取以Cityscapes数据集为基础。

可选的，所述图像增强模型的函数表示为：

其中，表示经过图像增强后输出的正常图像，I_L表示低光照图像f(*)表示图像亮度调整的映射函数，这里采用Sigmod激活函数，θ为增强网络的网络参数。

可选的，所述增强图像损失函数表示为：

其中，N表示输入图像中的像素总数，和分别表示网络的输出像素结果和对应位置的标签像素，θ为增强网络的网络参数，β在训练过程中被设置为0.1。

可选的，所述语义分割模型基于ghostNet神经网络模型训练获得。

可选的，所述语义分割损失函数表示为：

其中，y_i表示属于i类的预softmax概率，e为常数。

可选的，所述总损失函数通过对增强图像损失函数与语义分割损失函数级联训练获得。

可选的，所述总损失函数表示为：

L＝β_DL_D+β_SL_S (4)

其中L表示整个网络的总损失函数，L_D和L_S表示增强网络和分割网络的损失函数，β_S和β_D表示损失函数的权重。

第二方面，一种低光照语义分割方法，所述方法包括：

获取源图像，通过图像增强模型对源图像进行图像增强，获得增强源图像；通过低光照语义分割模型，对所述增强源图像进行语义分割，得到分割精度，其中所述低光照语义分割模型通过第一方面任一项所述的方法训练得到。