[发明专利]森林场景分割模型的训练方法、分割方法、介质及设备

权利要求书

1.一种森林场景分割模型的训练方法，其特征在于，包括：

将输入图像输入第一特征提取模块进行特征提取，得到第一特征表示；

将所述第一特征表示输入分类头，得到分类掩码和分类置信度；

将第一特征表示输入第一映射模块，得到第一映射特征；

将所述第一映射特征作用采样策略，得到采样映射特征；

特征向量库中的特征经过中心距离排序，给特征向量库中各特征赋予不同权重，所述采样映射特征与特征向量库中各类别特征进行比对，计算对比相似度；

将所述第一映射特征输入预测模块，得到预测特征表示；

将输入图像进行特征增强后输入第二特征提取模块进行特征提取，得到第二特征表示；

将第二特征表示输入第二映射模块，得到第二映射特征；

计算所述预测特征表示与第二映射特征的相似性。

2.根据权利要求1所述的训练方法，其特征在于，将所述第一映射特征作用采样策略，得到采样映射特征的方法为：

根据所述分类掩码和参考分类掩码进行比对，筛选出分类结果错误以及分类结果对但分类置信度低于阈值的像素对应特征。

3.根据权利要求2所述的训练方法，其特征在于，所述特征向量库中的特征经过中心距离排序，给向量库中各特征赋予不同权重的方法为：

特征向量库中，各类别进行求和平均，得到各类别的特征中心；

对每个类别中的每个特征，根据离类别的特征中心的归一化L2距离由近到远进行排序；

将每个类别中的离中心距离最大值减去每个特征的距离，指数化并除以同类距离均值后，得到每个特征的权重。

4.根据权利要求3所述的训练方法，其特征在于，所述采样映射特征与特征向量库中各类别特征进行比对，计算对比相似度的方法为：

其中，e表示某个采样映射特征，e⁺表示与该特征属于同类别的特征，称为正样本；e^-表示与该特征属于不同类别的特征，称为负样本；表示正样本的特征权重，表示负样本的特征权重；是正样本特征集合，表示正样本特征的个数；表示采样映射特征集合，N表示其个数，Contr是表示了采样后的特征与特征库中各类特征的对比相似度综合值；τ表示温度系数。

5.根据权利要求4所述的训练方法，其特征在于，计算所述预测特征表示与第二映射特征的相似性的方法：

其中，z₁为预测特征表示，y₂为第二映射特征，||·||₂表示欧氏距离，Cons表示二者的余弦相似性。

6.根据权利要求1-5任一项所述的训练方法，其特征在于，还包括利用特征向量库，保存森林场景中各种类别的特征表示，将第一映射特征经过过滤器过滤，将过滤后的特征放入特征向量库中，进行实时更新。

7.根据权利要求6所述的训练方法，其特征在于，对根据特征置信度实时更新特征向量库的方法为：

从第一映射特征中取出分类正确和置信度大于阈值的特征，加入到特征向量库中，进行向量库的更新。

8.一种森林场景分割方法，采用权利要求1-7任一项所述的森林场景分割模型的训练方法训练出的森林场景分割模型对森林场景进行分割，所述森林场景分割模型包括训练好的第一特征提取模块；其特征在于，包括：

获取森林场景图像；

将所述森林场景图像输入训练好的森林场景分割模型中，输出分割结果。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如权利要求1-7中任一项所述的森林场景分割模型的训练方法；或权利要求8所述的森林场景分割方法。

10.一种电子设备，其特征在于，包括权利要求9所述的计算机可读存储介质，以及处理器，所述处理器能够执行存储于计算机可读存储介质中的计算机程序指令。