[发明专利]一种基于时间序列级联的语义分割方法、系统、终端和存储介质

权利要求书

1.一种基于时间序列级联的语义分割方法，其特征在于，包括以下步骤：

S01：获取捕获图像，将捕获图像经过前端编译处理得到特征图I；

S02：复制给特征图I的特征点，成为完全相同的两份特征图I，分别标记为分支一和分支二，并建立学习器；

S03：将分支一和分支二的处理时间分为两段：第一时间段t1和第二时间段t2，第一时间段t1学习器做学习能力检测，学习器输出学习成果，该学习成果分为两部分：完成区和未完成区，完成区划分至分支一，未完成区划分至分支二；

S04：在第二时间段t2中，分支二继续学习未完成区，分支一的完成区停止学习并检测学习成果是否遗忘；

S05：在第二时间段t2的下一时刻

若分支二的未完成区学习完成，则结束学习；

若分支二的未完成区仍未完成，则将仍未完成的部分再次执行步骤S03至步骤S06的循环，直至未完成的部分完成，才结束学习；

S06：输出学习结果后端译码还原为语义分割图。

2.根据权利要求1所述的基于时间序列级联的语义分割方法，其特征在于，所述步骤S01中的前端编译处理包括卷积和线性修正，还包括池化、上采样、融合中的一种或几种。

3.根据权利要求1所述的基于时间序列级联的语义分割方法，其特征在于，所述步骤S01中的前端编译处理中卷积的次数为至少一次，卷积的网络结构为全卷积网络结构或膨胀卷积网络结构。

4.根据权利要求1所述的基于时间序列级联的语义分割方法，其特征在于，所述所述步骤S03中检测学习能力的具体步骤是：

S031：将数据集分为测试集、验证集和训练集；

S032：用训练集训练学习器，训练好的学习器处理特征图I，得到处理结果；

S033：将处理结果与真实结果对比；

S034：处理结果与真实结果一致的部分，作为完成区；处理结果与真实结果不一致的部分，作为未完成区。

5.根据权利要求4所述的基于时间序列级联的语义分割方法，其特征在于，所述测试集用于评估学习器的网络模型的学习精度，选择最优化的学习器网络模型；所述验证集用于挑选超参数，即用来确定网络结构或者控制模型复杂程度的参数；所述数据集中的测试集和验证集中数据互斥，所述数据集中的训练集包含验证集。

6.根据权利要求1所述的基于时间序列级联的语义分割方法，其特征在于，所述步骤S04中检测学习成果是否遗忘的具体步骤是：

S041：设置一个验证模型，测试结果包括正确、错误、遗忘，并设置正确标准、错误标准、遗忘标准中的一项或几项；

S042：用验证集验证分支一完成区学习器的学习结果；

S043：当验证结果指标符合步骤S041中正确标准、错误标准、遗忘标准中的一项或几项时，则肯定分支一完成区学习器的网络模型；当验证结果指标不符合步骤S041中正确标准、错误标准、遗忘标准中的一项或几项时，则重新选择分支一完成区学习器的网络模型。

7.一种基于时间序列级联的语义分割系统，包括前端编译模块、数据集、学习器，其特征在于，还包括分支一模块、分支二模块和定时器；

所述前端编译模块获取捕获图像，将捕获图像经过前端编译处理得到特征图I；

所述定时器用于给分支一模块、分支二模块的学习器分割第一时间段t1和第二时间段t2；

所述数据集包括测试集、训练集、验证集，

所述学习器包括学习流程管理模块，所述学习流程管理模块的学习流程为，测试集用于分支一模块在第一时间段t1做学习能力检测，找出学习器的网络模型；所述训练集用于在第一时间段t1和第二时间段t2之间训练分支一的学习器的网络模型；所述训练集还用于在第二时间段t2训练分支二的学习器的网络模型；所述验证集用于在第二时间段t2之后验证分支一的学习器的学习结果是否遗忘；

所述分支一模块用于在第一时间段t1测试学习能力，以及在第二时间段t2验证学习效果；

所述分支二模块用于接收分支一模块在第一时间段t1学习的未完成区，并在第二时间段t2学习未完成区。