CN118608781B 语义分割方法、装置、电子设备及存储介质 （天云融创数据科技（北京）有限公司）

司数；根据第一结果损失函数和第一过程损失函2通过所述训练数据集，对初始神经网络模型中的解码器网络进行训练，通过所述训练数据集，对初始神经网络模型中的辅助头网络进根据所述第一结果损失函数和所述第一过程损失函数，优化所述初始神经网络模型，将待测数据输入所述目标语义分割网络模型中，得到目标语义通过反向传播算法，基于所述总和优化所述初始神经网络模型，得到所根据所述第一结果损失函数和所述第一过程损失函数，优化所述初始神经网络模型，通过所述训练数据集，对所述第一神经网络模型中的解码器网络进行训通过所述训练数据集，对所述第一神经网络模型中的辅助头网络进行训根据所述第二结果损失函数和所述第二过程损失函数，优化所述第一神经网络模型，将所述待测数据输入到所述目标语义分割网络模型的编码器网将所述特征图输入到所述目标语义分割网络模型的解码器网络中将所述特征图输入到所述目标语义分割网络模型的解码器网络中，应的目标向量，所述目标向量中的每个元素用于指示所述待测数据中每个像素的分类结3通过所述初始神经网络模型中的编码器网络，对所述多通过所述初始神经网络模型中的颈部连接器网络，对所述每个训练样将所述多个训练样本，以及每个训练样本对应的调整后的特征图将所述每个训练样本对应的调整后的特征图输入到所述初始神经网络模型的解码器通过交叉熵算法，根据所述第一结果训练向量和所述训练数据集中的训练分割结果，所述处理模块，还用于通过所述训练数据集，对初始神经网络模型中于指示在模型训练中的图像上采样过程中的所述处理模块，还用于根据所述第一结果损失函数和所述第一过程损所述处理模块，还用于将待测数据输入所述目标语义分割网络模型所述处理器调用所述存储器中存储的所述可执行程序代码，用于执行4标语义分割结果用于指示所述待测数据的分类5[0027]通过所述初始神经网络模型中的编码器网络，对所述多个训练样本进行特征提[0031]将所述每个训练样本对应的调整后的特征图输入到所述初始神经网络模型的解6于计算所述第一结果损失函数和所述第一过[0043]所述处理模块，具体用于根据所述第二结果损失函数和7于将所述每个训练样本对应的调整后的特征图输入到所述初始神经网络模型的解码器网8[0075]语义分割(SemanticSegmentation)是计算机视觉领域中的一个重要任务，它的务是识别图像中的不同对象并将它们从背景中区分开来，从而实现对图像内容的详细理[0076]实现语义分割的主要方法包括基于深度学习的技术，特别是卷积神经网络(ConvolutionalNeuralNetwork，CNN)。其中，全卷积网络(FullyConvolutional9表征学习能力，能够按其阶层结构对输入信息进行平移不变分类(shift_invariantclassification)，因此也被称为平移不变人工神经网络(Shift_InvariantArtificial网络(FPN)的基础上进行了改进，通过融合不同尺度的特征信息来提高分割性能。在[0092]需要注意的是，UperNet的分割头网络的具体结构可能因不同的应用场景和任务[0097]全卷积网络可以适用于任意尺寸输入：全卷积网络可以接受任意尺寸的输入图播算法(Backpropagation)是神经网络训练中常用的一种算法，用于计算损失函数对模型着每个神经元的梯度都是其激活函数的梯度继续重复上述步骤，直至检测到某一次优化后得到的神经网络模型的损失函数已经收敛，[0118]区分冻结参数和剩余参数的方法通常是使用学习率(learningrate)来控制。对于冻结的参数，learningrate通常设置为0，表示不更新这些参数。对于剩余参数，可以根据模型的结构和训练数据的质量来决定冻结参数的数量以及调整果learningrate设置得太大，会导致模型参数在训练过程中不稳定，容易发生震荡或发散；如果learningrate设置得太小，会导致模型训练速度缓慢，甚至无法收敛。设置learningrate是为了能够训练其在精度和可扩展性方面具有良好特性，并在COCO检测和ADE20K分割中超过了Swin[0132]需要说明的是，ConvNeXt网络通过一系列创新显著提升了纯ConvNet在多个识别同尺度上对输入进行金字塔池化来捕捉不同尺度的特征，从而提高CNN的准确性。此外，[0133]ConvNeXt还可以融合全卷积掩码自编码器框架和全局响应归一化(GRN)层，优化了原有的ConvNeXt架构。同时，利用自监督学习技术提高了模型的泛化能力和效率。在样本数据的分辨率由1080*1920变成6[0140]206、将每个训练样本对应的调整后的特征图输入到初始神经网络模型的解码器[0144]在一些实施例中，交叉熵(CrossEntropy)是机器学习和深度学习中常用的损失[0150]208、将每个训练样本对应的调整后的特征图输入到初始神经网络模型的辅助头于将待测数据输入到目标语义分割网络模型的编码器网络中，得到待测数据对应的特征于将特征图输入到目标语义分割网络模型的解码器网络中，得到特征图对应的目标向量，目标向量中的每个元素用于指示待测数据中每个机程序，该计算机程序被处理器执行时实现上述方法实施例中的语义分割方法的各个过[0196]本申请实施例还提供一种计算机程序产品，该计算机程序产品存储有计算机程以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件是其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field_分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器他数据。计算机的存储介质的例子包括，但不限于相变内存(ParallelRandomAccess取存储器(DynamicRandomAccessMemory，DRAM)、可编程只读存储器(ProgrammableOTPROM)、电子抹除式可复写只读存储器(Electrically_ErasableProgrammableRead_储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。或特性可以以任意适合的方式结合在一个或多个实施例中。本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本申请所必须的。上述多个实施例也未必是多个独立的实