CN114419058B 一种用于交通道路场景的图像语义分割模型训练方法 （北京文安智能技术股份有限公司）

一种用于交通道路场景的图像语义分割模本发明提供了一种用于交通道路场景的图模型的上采样模块的上采样算子使用最邻近插样模块输出后的特征图比较于原始的输入图像2构造基础网络为DeepLabV3plus网络和ResnetX网络组合的语义分割基础模型，其中，所述DeepLabV3plus网络的上采样算子使用最邻近插调整所述基础网络的结构以形成语义分割初始模型，其中，调整过程为：复制所述述基础网络的输入端通过卷积层组后通过跳跃连接的方式与所述DeepLabV3plus网络的输利用交通道路场景的样本图像训练集训练所据集A2D2中的前部车载取像设备沿道路方向的拍摄的正视交通道路场景图像和后部车载的ResnetX网络为Resnet18网络、Resnet34网络、Resnet50网络、Resnet101网络和3早期的算子计算方式会导致图像语义分割模型经上采样模块输出后的特征图比较于原始[0004]本发明的主要目的在于提供一种用于交通道路场景的图像语义分割模型训练方卷积模块至DeepLabV3plus网络的底部作为底层卷积模块，将基础网络的输入端通过卷积层组后通过跳跃连接的方式与DeepLabV3plus网络的输出端合并，将合并端作为底层卷积4图像选自奥迪大型自动驾驶数据集A2D2中的前部车载取像设备沿道路方向的拍摄的正视网络的输入端通过卷积层组后通过跳跃连接的方式与DeepLabV3plus网络的输出端合并，将含有输入图像完整特征信息的特征图和基础网络中经过多次上采样计算损失部分特征[0017]图1示出了根据本发明的一种可选实施例的用于交通道路场景的图像语义分割模[0018]图2示出了根据本发明的一种可选实施例的语义分割基础模型的基础网络为DeepLabV3plus+Resnet50的网5员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范[0023]为了解决现有技术中的因图像语义分割模型的上采样模块的上采样算子使用最[0024]图1是根据本发明实施例的一种用于交通道路场景的图像语义分割模型训练方法程为：复制DeepLabV3plus网络的卷积模块至DeepLabV3plus网络的底部作为底层卷积模块，将基础网络的输入端通过卷积层组后通过跳跃连接的方式与DeepLabV3plus网络的输础网络的输入端通过卷积层组后通过跳跃连接的方式与DeepLabV3plus网络的输出端合6网络中有三个位置处的上采样算子使用最邻近插值模式计算，其中一个位置在[0027]在本发明实施例的图像语义分割模型的基础网络中，DeepLabV3plus网络的上采[0028]如图3所示，将基础网络的输入端通过卷积层组后输出端通过跳跃连接的方式与DeepLabV3plus网络的合并，将输入图像进入图像语义分割模型后未经下采样得到的特征长为1，填充值为0或1。需要说明的是，填充值包括填充宽度值和填充高度值。当填充值[0033]如图2和图3所示，DeepLabV3plus网络的卷积模块和底层卷积模块的结构自上而训练集中的训练图像选自奥迪大型自动驾驶数据集A2D2中的前部车载取像设备沿道路方向的拍摄的正视交通道路场景图像和后部车载取像设备沿道路方向的拍摄的正视交通道7练得到的图像语义分割模型具有更为针对性的交通环境场景进行语义分割视角的图像部分(前拍摄道路场景图像和后拍摄的道路场景图像)，共33142张作为训练数割预训练模型时的学习率与训练语义分割初始模型时的[0040]分别对利用图2和图3中两个网络结构训练得到的图像语义分割模型的对交通道网络结构训练得到的图像语义分割模型对输入图像中各类别的mIOU值均高于图2中的网络结构训练得到的图像语义分割模型对输入图像中相应的各类别的mIOU值，表明图3中的网8电性连接。语义分割网络训练装置、图像语义分割装置均包括至少一个以软件或固件只读存储器(ErasableProgrammableRead-OnlyMemory，EPROM)，电可擦除只读存储器号处理能力。上述的处理器可以是通用处理器，包括中央处理器(CentralProcessing[0046]上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软间的耦合或直接耦合或通信连接可以是通过一些接口，