[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

说明书

本发明公开了一种森林场景分割模型的训练方法、分割方法、介质及设备，属于深度学习技术领域。包括利用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；将第一特征表示输入第一映射模块得到第一映射特征并作用采样策略，得到采样映射特征；将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。本发明提高了森林场景分割模型的精度和泛化能力。

技术领域

属于深度学习技术领域，具体涉及一种森林场景分割模型的训练方法、分割方法、介质及设备。

背景技术

森林场景分割对于进行与森林相关的任务，例如火灾检测，野生动物检测，都有着重要的作用。错误地划分森林范围会让后续检测任务的精确度大打折扣，造成漏检或者错检，增加了人工工作量。在传统的机器学习中，人们主要采用灰度阈值法、支持向量机或者K类聚集法来完成森林场景分割，但只能做到森林类及其他类的2类场景的准确分割。随着深度学习的发展，计算机视觉领域有了长足的发展，特别地，卷积网络的广泛应用使得目标检测，语义分割等领域都得到了大幅提升，运用深度学习技术来解决森林场景分割也得到了学术界和工业界的广泛关注。

但森林场景分割区别于其他场景分割，森林场景中大部分的物体都是森林，湖泊、道路等类别罕见或者这些类别在图像中面积小，导致对于除森林外的类别分割结果都不太准确。同时，森林场景因为常常存在雾气，导致实测时采集距离远，画面比较模糊，增加了分割的难度。因此，目前很多的森林场景分割方法都利用大容量模型，用大模型的容量来提升分割精度，不能做到实时分割，而且模型部署成本较高。

发明内容

技术问题：本发明提供了一种能够提高森林场景分割模型准确率和泛化能力的训练方法，以及一种利用该方法训练出的模型进行森林场景分割的方法，以及相应的存储介质和电子设备。

技术方案：第一方面，本发明提供一种森林场景分割模型的训练方法，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。

进一步地，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。

进一步地，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；