[发明专利]基于联合学习的语义边缘检测方法、装置、系统及介质

权利要求书

1.一种基于联合学习的语义边缘检测方法，其特征在于，包括如下步骤：

预先构建生成对抗网络和边缘检测网络；

获取边缘噪声样本，根据所述边缘噪声样本对所述生成对抗网络和边缘检测网络进行噪声学习和边缘检测的联合学习训练，当边缘检测结果达到期望值时得到完成联合学习训练的生成对抗网络和边缘检测网络；

将待检测图像输入至所述完成联合学习训练的边缘检测网络后输出语义边缘检测结果；

所述生成对抗网络包括用于生成模拟真实噪声样本的生成器网络，以及用于对所述模拟真实噪声样本进行真伪识别以及分类的判别器网络，通过生成器网络和判别器网络之间的对抗性优化，从训练的边缘噪声样本数据中生成模拟真实边缘噪声分布的合成样本；

所述获取边缘噪声样本，根据所述边缘噪声样本对所述生成对抗网络和边缘检测网络进行噪声学习和边缘检测的联合学习训练，当边缘检测结果达到期望值时得到完成联合学习训练的生成对抗网络和边缘检测网络，包括：

获取边缘噪声样本并将其输入至所述生成器网络，通过所述生成器网络生成模拟真实噪声样本；

将所述模拟真实噪声样本经所述判别器网络识别真伪后输入至所述边缘检测网络；

根据当前输入的模拟真实噪声样本以及边缘检测网络的损失函数对所述边缘检测网络进行边缘检测训练，反馈边缘检测结果至所述生成对抗网络；

根据所述边缘检测结果调节所述生成对抗网络的参数直到边缘检测结果达到期望值，得到完成联合学习训练的生成对抗网络和边缘检测网络。

2.根据权利要求1所述的基于联合学习的语义边缘检测方法，其特征在于，所述构建边缘检测网络，具体包括：

构建用于边缘检测的卷积神经网络，以及用于训练所述卷积神经网络的损失函数，其中所述卷积神经网络包括用于对语义边缘进行分类预测的边缘细化层。

3.根据权利要求2所述的基于联合学习的语义边缘检测方法，其特征在于，所述损失函数包括交叉熵损失、NMS损失以及方向损失。

4.根据权利要求2所述的基于联合学习的语义边缘检测方法，其特征在于，所述边缘细化层具体通过计算边缘法线方向进行边缘分类预测。

5.根据权利要求4所述的基于联合学习的语义边缘检测方法，其特征在于，所述根据当前输入的模拟真实噪声样本以及损失函数对所述边缘检测网络进行边缘检测训练，反馈边缘检测结果至所述生成对抗网络，包括：

获取判别器网络识别为真的模拟真实噪声样本并将其输入至所述卷积神经网络；

通过所述损失函数对所述卷积神经网络输出的边缘检测结果进行误差评价；

根据误差评价结果调节所述卷积神经网络的权重参数，并将所述边缘检测结果反馈至所述生成对抗网络。

6.一种基于联合学习的语义边缘检测装置，其特征在于，所述装置包括：

构建模块，用于预先构建生成对抗网络和边缘检测网络；

联合学习模块，用于获取边缘噪声样本，根据所述边缘噪声样本对所述生成对抗网络和边缘检测网络进行噪声学习和边缘检测的联合学习训练，当边缘检测结果达到期望值时得到完成联合学习训练的生成对抗网络和边缘检测网络；

检测模块，用于将待检测图像输入至所述完成联合学习训练的边缘检测网络后输出语义边缘检测结果；

其中所述生成对抗网络包括用于生成模拟真实噪声样本的生成器网络，以及用于对所述模拟真实噪声样本进行真伪识别以及分类的判别器网络，通过生成器网络和判别器网络之间的对抗性优化，从训练的边缘噪声样本数据中生成模拟真实边缘噪声分布的合成样本；

所述联合学习模块具体用于获取边缘噪声样本并将其输入至所述生成器网络，通过所述生成器网络生成模拟真实噪声样本；将所述模拟真实噪声样本经所述判别器网络识别真伪后输入至所述边缘检测网络；根据当前输入的模拟真实噪声样本以及边缘检测网络的损失函数对所述边缘检测网络进行边缘检测训练，反馈边缘检测结果至所述生成对抗网络；根据所述边缘检测结果调节所述生成对抗网络的参数直到边缘检测结果达到期望值，得到完成联合学习训练的生成对抗网络和边缘检测网络。