实例分割网络的训练方法、终端及计算机可读存储介质技术

本发明专利技术提供一种实例分割网络的训练方法、终端及计算机可读存储介质，实例分割网络的训练方法包括：对获取的样本图像进行特征提取，得到图像特征图；对图像特征图中各像素点的特征值分别进行掩码处理，确定各像素点对应的生成标签；基于实例分割网络对图像特征图进行目标分割处理，得到各像素点对应的预测信息；基于各像素点对应的生成标签与预测信息之间的误差值迭代训练实例分割网络。本申请不需要花费大量人力物力对样本图像的边界信息进行标注，根据特征图中各像素点的敏感性判断像素点对应的生成标签，通过实例分割网络得到各像素点对应的预测信息，基于各像素点的生成标签和预测信息之间的误差值即可实现对实例分割网络的训练。络的训练。络的训练。

【技术实现步骤摘要】
实例分割网络的训练方法、终端及计算机可读存储介质


[0001]本专利技术涉及计算机视觉
，特别是涉及一种实例分割网络的训练方法、终端及计算机可读存储介质。

技术介绍

[0002]图像实例分割是精确的目标定位技术，广泛应用于自动驾驶、医学影像、遥感图像等领域。相比于目标检测任务仅能定位到目标位置和目标矩形框，并不能精确定位到像素级别的目标边界位置，而实例分割可以精确定位目标边界，对于倾斜目标、复杂形状目标等情况能够更好地满足实际应用需求。近些年，基于神经网络的实例分割算法有了很大发展，但其往往依赖于大量的训练样本，且对于这种像素级别的标注任务，标注极其困难，消耗大量人力物力。

技术实现思路

[0003]本专利技术主要解决的技术问题是提供一种实例分割网络的训练方法、终端及计算机可读存储介质，解决现有技术中实例分割网络的训练消耗大量人力物力的问题。
[0004]为解决上述技术问题，本专利技术采用的第一个技术方案是：提供一种实例分割网络的训练方法，实例分割网络的训练方法包括：
[0005]对获取的样本图像进行特征提取，得到图像特征图；样本图像中包含有目标对象；
[0006]对图像特征图中各像素点的特征值分别进行掩码处理，确定各像素点对应的生成标签；
[0007]基于实例分割网络对图像特征图进行目标分割预测，得到各像素点对应的预测信息；
[0008]基于各像素点对应的生成标签与预测信息之间的误差值迭代训练实例分割网络。
[0009]其中，对图像特征图中各像素点的特征值分别进行掩码处理，确定各像素点对应的生成标签，包括：
[0010]遍历图像特征图中的所有像素点，将选取的像素点的特征值赋值为预设值，得到更新特征图；
[0011]通过目标检测网络对更新特征图和图像特征图分别进行处理，得到图像特征图对应的第一检测信息、更新特征图对应的第二检测信息；
[0012]基于第一检测信息与第二检测信息之间的误差值，确定像素点对应的生成标签。
[0013]其中，第一检测信息包括目标对象的检测类别、检测置信度和检测位置信息；第二检测信息包括更新目标的预测类别，预测置信度和预测位置信息；
[0014]基于第一检测信息与第二检测信息之间的误差值，确定像素点对应的生成标签，包括：
[0015]响应于目标对象的检测类别与更新目标的预测类别相同，则基于检测置信度和预测置信度之间的误差值、检测位置信息与预测位置信息之间的误差值是否符合对应预设要
求确定像素点对应的生成标签；生成标签包括前景像素点和背景像素点。
[0016]其中，基于检测置信度和预测置信度之间的误差值、检测位置信息与预测位置信息之间的误差值是否符合对应预设要求确定像素点对应的生成标签，包括：
[0017]响应于检测置信度和预测置信度之间的误差值大于最大置信度阈值，或，检测位置信息与预测位置信息之间的误差值大于最大位置变量阈值，则确定像素点的生成标签为前景像素点；
[0018]响应于检测置信度和预测置信度之间的误差值小于最小置信度阈值，且，检测位置信息与预测位置信息之间的误差值小于最小位置变量阈值，则确定像素点的生成标签为背景像素点。
[0019]其中，基于各像素点对应的生成标签与预测信息之间的误差值迭代训练实例分割网络，包括：
[0020]基于生成标签为背景像素点和前景像素点分别对应的像素点的生成标签与预测信息之间的误差值迭代训练实例分割网络。
[0021]其中，通过目标检测网络对更新特征图和图像特征图分别进行处理，得到图像特征图对应的第一检测信息、更新特征图对应的第二检测信息，包括：
[0022]目标检测网络对特征图进行目标区域检测，得到候选目标区域；
[0023]基于候选目标区域在特征图中进行特征提取，得到目标特征图；
[0024]基于目标特征图确定特征图对应的检测信息，检测信息包括目标类别、置信度和位置信息。
[0025]其中，目标检测网络的训练方法包括：
[0026]获取多个训练图像，训练图像中包含目标；训练图像关联有标注类别和标注位置信息；
[0027]基于目标检测网络对训练图像进行目标检测，得到目标的预测类别和预测位置信息；
[0028]基于训练图像对应的标注类别与预测类别之间误差值、标注位置信息与预测位置信息之间的误差值训练目标检测网络。
[0029]其中，对图像特征图中各像素点的特征值分别进行掩码处理，确定各像素点对应的生成标签的步骤之后，还包括：
[0030]采用最近邻插值法将由像素点的生成标签组成的图像的尺寸调节至预设尺寸。
[0031]为解决上述技术问题，本专利技术采用的第二个技术方案是：提供一种终端，该终端包括存储器、处理器以及存储于存储器中并在处理器上运行的计算机程序，处理器用于执行程序数据以实现上述表面缺陷检测方法中的步骤。
[0032]为解决上述技术问题，本专利技术采用的第三个技术方案是：提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述表面缺陷检测方法中的步骤。
[0033]本专利技术的有益效果是：区别于现有技术的情况，提供的一种实例分割网络的训练方法、终端及计算机可读存储介质，实例分割网络的训练方法包括：对获取的样本图像进行特征提取，得到图像特征图；样本图像中包含有目标对象；对图像特征图中各像素点的特征值分别进行掩码处理，确定各像素点对应的生成标签；基于实例分割网络对图像特征图进
行目标分割处理，得到各像素点对应的预测信息；基于各像素点对应的生成标签与预测信息之间的误差值迭代训练实例分割网络。本申请不需要花费大量人力物力对样本图像的边界信息进行标注，根据特征图中各像素点对检测结果的敏感性判断像素点对应的生成标签，通过实例分割网络对图像特征图进行目标分割，得到各像素点对应的预测信息，基于各像素点的生成标签和预测信息之间的误差值即可实现对实例分割网络的训练。
附图说明
[0034]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0035]图1是本专利技术提供的实例分割网络的训练方法的流程示意图；
[0036]图2是图1提供的实例分割网络的训练方法中步骤S2一具体实施例的流程示意图；
[0037]图3是本专利技术提供的实例分割网络训练的示意图；
[0038]图4是本专利技术提供的终端一实施例的框架示意图；
[0039]图5为本专利技术提供的计算机可读存储介质一实施例的框架示意图。
具体实施方式
[0040]下面结合说明书附图，对本申请实施例的方案进行详细说明。
[0041]以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种实例分割网络的训练方法，其特征在于，所述训练方法包括：对获取的样本图像进行特征提取，得到图像特征图；所述样本图像中包含有目标对象；对所述图像特征图中各像素点的特征值分别进行掩码处理，确定各所述像素点对应的生成标签；基于实例分割网络对所述图像特征图进行目标分割，得到各所述像素点对应的预测信息；基于各所述像素点对应的所述生成标签与所述预测信息之间的误差值迭代训练所述实例分割网络。2.根据权利要求1所述的实例分割网络的训练方法，其特征在于，所述对所述图像特征图中各像素点的特征值分别进行掩码处理，确定各所述像素点对应的生成标签，包括：遍历所述图像特征图中的所有所述像素点，将选取的所述像素点的特征值赋值为预设值，得到更新特征图；通过目标检测网络对所述更新特征图和所述图像特征图分别进行处理，得到所述图像特征图对应的第一检测信息、所述更新特征图对应的第二检测信息；基于所述第一检测信息与所述第二检测信息之间的误差值，确定所述像素点对应的生成标签。3.根据权利要求2所述的实例分割网络的训练方法，其特征在于，所述第一检测信息包括所述目标对象的检测类别、检测置信度和检测位置信息；所述第二检测信息包括更新目标的预测类别、预测置信度和预测位置信息；所述基于所述第一检测信息与所述第二检测信息之间的误差值，确定所述像素点对应的生成标签，包括：响应于所述目标对象的检测类别与所述更新目标的预测类别相同，则基于所述检测置信度和所述预测置信度之间的误差值、所述检测位置信息与所述预测位置信息之间的误差值是否符合对应预设要求确定所述像素点对应的所述生成标签；所述生成标签包括前景像素点和背景像素点。4.根据权利要求3所述的实例分割网络的训练方法，其特征在于，所述基于所述检测置信度和所述预测置信度之间的误差值、所述检测位置信息与所述预测位置信息之间的误差值是否符合对应预设要求确定所述像素点对应的所述生成标签，包括：响应于所述检测置信度和所述预测置信度之间的误差值大于最大置信度阈值，或，所述检测位置信息与所述预测位置信息之间的误差值大于最大位置变量阈值，则确定所述像素点的生成标签为所述前景像素点；响应于所述检测置信度和所述预测置信度之间的误差值小于最小置信度阈值，且...

【专利技术属性】
技术研发人员：朱亚伦，邵明，
申请(专利权)人：浙江大华技术股份有限公司，
类型：发明
国别省市：