语义分割模型的训练方法、视频语义分割方法及装置与流程

1.本公开涉及人工智能技术领域，具体涉及深度学习、计算机视觉等领域，尤其涉及语义分割模型的训练方法、视频语义分割方法及装置。


背景技术：

2.语义分割是计算机视觉领域的一项基本任务，其目的在于为给定图像中的每一个像素预测一个语义标签。随着深度学习的发展，图像语义分割任务取得了很大的突破，特别是全卷积网络的提出，更是进一步提升了图像语义分割的效果。但是，由于视频信息比图像信息多一个时间维度并且存在大量冗余信息，所以，视频语义分割往往更加复杂。


技术实现要素：

3.本公开提供了一种语义分割模型的训练方法、视频语义分割方法及装置。
4.根据本公开的第一方面，提供了一种语义分割模型的训练方法，包括：获取训练样本集，其中，训练样本集中的训练样本包括至少一个样本视频流和样本视频流的像素级标注结果；利用初始语义分割模型对样本视频流中视频帧之间的空时上下文进行建模，得到样本视频流的上下文表征；基于样本视频流的上下文表征和样本视频流的像素级标注结果，计算时序对比损失；基于时序对比损失更新初始语义分割模型的参数，得到训练后的语义分割模型。
5.根据本公开的第二方面，提供了一种视频语义分割方法，包括：获取目标视频流；将目标视频流输入至预先训练的语义分割模型，输出得到目标视频流的语义分割结果，其中，语义分割模型采用如第一方面中任一项所述的方法训练得到。
6.根据本公开的第三方面，提供了一种语义分割模型的训练装置，包括：第一获取模块，被配置成获取训练样本集，其中，训练样本集中的训练样本包括至少一个样本视频流和样本视频流的像素级标注结果；建模模块，被配置成利用初始语义分割模型对样本视频流中视频帧之间的空时上下文进行建模，得到样本视频流的上下文表征；计算模块，被配置成基于样本视频流的上下文表征和样本视频流的像素级标注结果，计算时序对比损失；更新模块，被配置成基于时序对比损失更新初始语义分割模型的参数，得到训练后的语义分割模型。
7.根据本公开的第四方面，提供了一种视频语义分割装置，包括：第二获取模块，被配置成获取目标视频流；输出模块，被配置成将目标视频流输入至预先训练的语义分割模型，输出得到目标视频流的语义分割结果，其中，语义分割模型采用如第一方面中任一项所述的方法训练得到。
8.根据本公开的第五方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面或第二方面中任一实现方式描述的方法。
9.根据本公开的第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如第一方面或第二方面中任一实现方式描述的方法。
10.根据本公开的第七方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如第一方面或第二方面中任一实现方式描述的方法。
11.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
12.附图用于更好地理解本方案，不构成对本公开的限定。其中：
13.图1是本公开可以应用于其中的示例性系统架构图；
14.图2是根据本公开的语义分割模型的训练方法的一个实施例的流程图；
15.图3是根据本公开的语义分割模型的训练方法的另一个实施例的流程图；
16.图4是根据本公开的语义分割模型的训练方法的一个应用场景的示意图；
17.图5是根据本公开的视频语义分割方法的一个实施例的流程图；
18.图6是根据本公开的语义分割模型的训练装置的一个实施例的结构示意图；
19.图7是根据本公开的视频语义分割装置的一个实施例的结构示意图；
20.图8是用来实现本公开实施例的语义分割模型的训练方法、视频语义分割方法的电子设备的框图。
具体实施方式
21.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
22.需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
23.图1示出了可以应用本公开的语义分割模型的训练方法、视频语义分割或语义分割模型的训练装置、视频语义分割装置的实施例的示例性系统架构100。
24.如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
25.用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送信息等。终端设备101、102、103上可以安装有各种客户端应用。
26.终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述电子设备中。其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
27.服务器105可以提供各种服务。例如，服务器105可以对从终端设备101、102、103获取的训练样本集进行分析和处理，并生成处理结果(例如训练后的语义分割模型)。
28.需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
29.需要说明的是，本公开实施例所提供的语义分割模型的训练方法、视频语义分割方法一般由服务器105执行，相应地，语义分割模型的训练装置、视频语义分割装置一般设置于服务器105中。
30.应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
31.继续参考图2，其示出了根据本公开的语义分割模型的训练方法的一个实施例的流程200。该语义分割模型的训练方法包括以下步骤：
32.步骤201，获取训练样本集。
33.在本实施例中，语义分割模型的训练方法的执行主体(例如图1所示的服务器105)可以获取训练样本集，其中，训练样本集中的训练样本包括至少一个样本视频流和样本视频流的像素级标注结果。
34.样本视频流可以是从已经采集好的视频中获取的，训练样本集中可以包含多个样本视频流。而样本视频流的像素级标注结果可以是相关工作人员对样本视频流中的每帧图像进行人工标注得到的，还可以是基于现有的模型得到的标注结果，本实施例中对此不做具体限定。像素级标注结果指的是将视频帧图像以像素级别进行标注，从而得到视频帧的像素级标注结果。
35.步骤202，利用初始语义分割模型对样本视频流中视频帧之间的空时上下文进行建模，得到样本视频流的上下文表征。
36.在本实施例中，上述执行主体可以利用初始语义分割模型对样本视频流中视频帧之间的空时上下文进行建模，从而得到样本视频流的上下文表征。其中，初始语义分割模型可以是采用现有数据集预训练的模型。由于本实施例中的训练样本是视频，视频是具有空间和时间的特征的，所以，上述执行主体可以利用初始语义分割模型来对样本视频流中所有视频帧之间的空时上下文进行建模，空时上下文指的是包含时序和空间维度信息的上下文，从而得到样本视频流的空时上下文表征。例如，上述执行主体可以利用初始语义分割模型分别提取样本视频流中每个视频帧在时序和空间维度上的特征，并基于每个视频帧在时序和空间维度上的特征进行建模，从而得到样本视频流的空时上下文表征。
37.步骤203，基于样本视频流的上下文表征和样本视频流的像素级标注结果，计算时序对比损失。
38.在本实施例中，由于样本视频流的上下文表征是基于初始语义分割模型得到的，样本视频流的像素级标注结果是预先进行标注得到的，上述执行主体可以基于对比损失函数来计算样本视频流的上下文表征和其像素级标注结果之间差异性，从而得到样本视频流的时序对比损失值。为了使得空时上下文满足不同语义类别的像素的上下文具有对比性质，且相同语义类的像素的上下文具有一致性质，上述计算得到的时序对比损失，它可以动态校准像素的上下文特征到来自另一帧且有更高质量的像素的上下文特征。
39.步骤204，基于时序对比损失更新初始语义分割模型的参数，得到训练后的语义分
割模型。
40.在本实施例中，上述执行主体可以基于计算得到的时序对比损失来更新初始语义分割模型的参数，从而得到训练后的语义分割模型。由于训练样本集中包含多个样本视频流，上述执行主体会基于每个样本视频流的时序对比损失分别去更新初始语义分割模型的参数，从而在多次更新初始语义分割模型的参数后，可以使得初始语义分割模型越来越准确。
41.本公开实施例提供的语义分割模型的训练方法，首先获取训练样本集；然后利用初始语义分割模型对样本视频流中视频帧之间的空时上下文进行建模，得到样本视频流的上下文表征；之后基于样本视频流的上下文表征和样本视频流的像素级标注结果，计算时序对比损失；最后基于时序对比损失更新初始语义分割模型的参数，得到训练后的语义分割模型。本实施例中的语义分割模型的训练方法，该方法可以动态地校准像素的空时上下文到来自其他帧且有着更高质量的上下文，从而使得建模得到的上下文既有在相同类别的像素间的一致性，又有在不同类别的像素间的对比性，且该语义分割模型具有更高的分割效率和分割准确率。
42.本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
43.继续参考图3，图3示出了根据本公开的语义分割模型的训练方法的另一个实施例的流程300。该语义分割模型的训练方法包括以下步骤：
44.步骤301，获取训练样本集。
45.在本实施例中，语义分割模型的训练方法的执行主体(例如图1所示的服务器105)会获取训练样本集。步骤301与前述实施例的步骤201基本一致，具体实现方式可以参考前述对步骤201的描述，此处不再赘述。
46.步骤302，利用特征提取网络提取样本视频流中视频帧的特征，得到样本视频流的级联特征。
47.在本实施例中，语义分割模型包括特征提取网络和建模网络，其中，特征提取网络用于提取视频流中视频帧的特征，建模网络基于所有视频帧的特征对该视频流的空时上下文进行建模。
48.上述执行主体会利用语义分割模型的特征提取网络分别提取样本视频流中所有视频帧的特征，从而得到样本视频流的级联特征。
49.在本实施例的一些可选实施方式中，步骤302包括：利用特征提取网络分别提取样本视频流中所有视频帧的特征；基于时序维度将所有视频帧的特征进行级联，得到样本视频流的级联特征。
50.在本实现方式中，上述执行主体会先分别提取样本视频流中每个视频帧的特征，得到所有视频帧的特征，并将所有视频帧的特征进行级联，从而得到样本视频流的级联特征，从而可以更准确、快速地得到样本视频流的级联特征。
51.例如，给定一个输入视频流video clip，首先利用在imagenet上预训练的backbone(特征提取网络)来提取video clip中每个视频帧的特征，然后将所有特征级联形成特征f，并将f表示成其中，t是视频帧数量，h和w分别表示高度和宽度，c是特征的通道数。
52.步骤303，利用建模网络对级联特征进行建模，得到样本视频流的上下文表征。
53.在本实施例中，上述执行主体会利用建模网络对级联特征进行建模，从而得到样本视频流的上下文表征。也即在时序和空间维度上对样本视频流的级联特征进行建模，从而得到样本视频流的上下文表征c，并将其表示为其中，t是视频帧数量，h和w分别表示高度和宽度，c是特征的通道数。
54.通过先获取样本视频流所有视频帧的级联特征，再基于该级联特征进行建模，从而得到样本视频流的空时上下文，从而提高了得到空时上下文的效率和准确性。
55.在本实施例的一些可选实施方式中，步骤303包括：利用建模网络在时序和空间维度上将级联特征划分为至少一个网格组；基于自注意力机制生成每个网格组的上下文表征；对每个网格组的上下文表征进行处理，得到样本视频流对应的上下文表征。
56.在本实现方式中，为了高效建模丰富的时空上下文，上述执行主体会在时序和空间维度上将级联特征分为多个网格组，分别为{g1，g2，...，gn}，这里，其中，(s
t
，sh，sw)分别为网格组在时序和空间(宽度和高度)维度上的大小，也即一个网格组包括s
t
×
sh×
sw个特征，可以将其理解为均匀分散的立方体，那么网格组的数量n可以表示为然后，利用三个线性层来生成query、key和value embedding。之后基于自注意力机制生成每个网格组的上下文表征，也即self-attention(自注意力)在每个网格组独立执行：
[0057][0058]
其中，msa()表示multi-head self-attention，yi是第i个网格组的更新输出，也即第i个网格组的上下文表征。
[0059]
最后，上述执行主体对每个网格组的上下文表征进行处理，从而得到样本视频流对应的上下文表征。
[0060]
需要说明的是，当给定t
×h×w×
c的特征时，且该特征网格组大小为(s
t
，sh，sw)，此时使用标准的global self-attention的计算复杂度如下：
[0061]
ω
global
＝2(thw)2c
[0062]
而本实施例中方案的计算复杂度如下：
[0063]
ω
sg-attention
＝2thws
t
shswc。
[0064]
可以看到，标准的global self-attention的计算复杂度是thw的二次方，而本实施例中的方法的计算复杂度是thw的线性。所以，本实施例减小了计算复杂度。
[0065]
在本实施例的一些可选实施方式中，对每个网格组的上下文表征进行处理，得到样本视频流对应的上下文表征，包括：对每个网格组的上下文表征进行池化操作；基于池化后的每个网格组的上下文表征和每个网格组的位置索引，得到样本视频流对应的上下文表征。
[0066]
在本实现方式中，上述执行主体会先对每个网格组的上下文表征进行池化处理，从而得到池化操作后的各个网格组的上下文表征。然后根据每个网格组原始的位置索引返回形成样本视频流对应的上下文表征y，将y表示为其中，t是视频帧数量，h和w分别表示高度和宽度，c是特征的通道数。
[0067]
步骤304，基于样本视频流的上下文表征和样本视频流的像素级标注结果，计算时序对比损失。
[0068]
在本实施例中，上述执行主体基于样本视频流的上下文表征和样本视频流的像素级标注结果，计算时序对比损失。
[0069]
在这里，将样本视频流的空时上下文表示为样本视频流的像素级标注结果表示为其中，t是视频帧数量，h和w分别表示高度和宽度，c是特征的通道数，则时序对比损失l
tpc
通过如下公式得到：
[0070][0071]
其中，t表示时序索引，j表示空间索引，τ＞0是一个温度超参数，分别表示来自帧t
′
的正样本集合和负样本集合，anchor像素j来自视频帧t，表示在视频帧t的空间位置j的像素的标注类别，表示在视频帧t
′
的空间位置j

的预测类别。表示在视频帧t的空间位置j的像素其属于标注类别的预测概率。需要说明的是，正样本集合与anchor像素有相同的语义类别，负样本集合与anchor像素有不同的语义类别。
[0072]
由于相同语义类的像素的上下文具有一致性质，而不同语义类别的像素的上下文具有对比性质，所以，基于上述时序像素级对比损失函数可以计算得到样本视频流的空时上下文和其像素级标注结果之间的差异性，从而以该时序对比损失来动态校准像素的上下文特征到来自另一帧且有更高质量的像素的上下文特征。
[0073]
可选地，还可以基于以下公式来计算整体损失l
overall
：
[0074][0075]
其中，表示标注的语义分割损失(交叉熵)，表示辅助分割损失，l
tpc
表示时序对比损失，α、β是用来平衡各子损失的两个超参数。
[0076]
步骤305，基于时序对比损失、利用反向传播算法更新初始语义分割模型的参数，得到训练后的语义分割模型。
[0077]
在本实施例中，上述执行主体基于计算得到的时序对比损失、并利用反向传播算法去更新初始语义分割模型的参数，从而得到训练后的语义分割模型。可选地，上述执行主体还可以基于计算得到的整体损失l
overall
来进一步更新初始语义分割模型的参数，从而得到更新后的语义分割模型，以使得到的语义分割模型可以更准确地对视频流进行语义分割。
[0078]
从图3中可以看出，与图2对应的实施例相比，本实施例中的语义分割模型的训练方法，该方法突出了利用初始语义分割模型得到样本视频流的上下文表征的过程以及基于时序对比损失更新初始语义分割模型的参数的过程，从而进一步提升了训练得到的语义分割模型的分割效率和准确率。
[0079]
继续参考图4，图4示出了根据本公开的语义分割模型的训练方法的一个应用场景
的示意图。在该应用场景中，给定一个样本视频流，首先利用预训练的骨干网络(backbone，也可称为特征提取网络)以及目标检测算法来分别提取每个视频帧的特征，将每个视频帧的特征进行级联，形成样本视频流的级联特征。然后使用时序网格转换模块(spatiotemporal grid transformer block，也可称为建模网络)来建模所有视频帧间的空时上下文，得到上下文表征并且基于时序像素级对比损失函数(temporal pixel-level contrastive loss)来计算时序对比损失，并以该时序对比损失更新初始语义分割模型(建模网络)的参数，最后，通过全卷积网络(fcn head)来输出得到分割结果，从而得到训练后的语义分割模型。
[0080]
这里，时序网格转换模块的结构如图4(a)所示，其包括前馈神经网络(ffn，feed-forward networks)，范数模块(norm)以及时序网格注意力模块(patiotemporal grid attention，sg-attention)。其中，sg-attention用来建模空时依赖，范数模块用来对其进行优化，第l
th
个block的前向过程可以形式化如下：
[0081][0082][0083]
其中，ln()表示层归一化，是第l
th
和l-1
th
个模块输出，ffn()表示前馈神经网络(包含两个线性投影层来扩展和收缩特征维度)。
[0084]
之后，将级联特征从t(时间)、h(高度)、w(宽度)维度来分为多个网格组，如图4(b)所示，图4(b)中的一个小立方体即为一个网格组，然后建模所有视频帧间的空时上下文(如图4(c)所示，从t0到t1再到t2)，从而得到其上下文表征。
[0085]
具体来说，由sg-attention来为输入video clip(视频流)的所有帧高效建模丰富的空时上下文，它从时序和空间维度将输入特征分为多个grid group(网格组)。然后在每个网格组内独立进行self-attention。进一步，通过temporal pixel-level contrastive loss(tpc loss)来动态地校准像素的空时上下文到来自其他帧并有着更高质量的上下文，从而使得学到的上下文既有在相同类别的像素间的一致性，又有在不同类别的像素间的对比性。从而使得训练得到的语义分割模型可以对视频流进行分割，得到对应的分割结果。
[0086]
继续参考图5，图5示出了根据本公开的视频语义分割方法的一个实施例的流程500。该视频语义分割方法包括以下步骤：
[0087]
步骤501，获取目标视频流。
[0088]
在本实施例中，视频语义分割方法的执行主体(例如图1所示的云手机客户端101、102、103)可以获取目标视频流，目标视频流也即需进行语义分割的视频。目标视频流可以为任意视频流，可以是包含任意多视频帧的视频流，本实施例中对此不做具体限定。
[0089]
步骤502，将目标视频流输入至预先训练的语义分割模型，输出得到目标视频流的语义分割结果。
[0090]
在本实施例中，上述执行主体将目标视频流输入至预先训练的语义分割模型，输出得到目标视频流的语义分割结果，其中，语义分割模型采用如前述实施例中所述的方法训练得到的。
[0091]
具体地，在将目标视频流输入至语义分割模型后，语义分割模型的特征提取网络会先提取目标视频流中所有视频帧的特征，并将所有视频帧的特征进行级联，从而得到目
标视频流的级联特征。然后，语义分割模型的建模网络会在时序和空间维度上，将目标视频流的级联特征分为多个网格组，并基于自注意力机制生成每个网格组的上下文表征，再对每个网格组的上下文表征进行处理，从而得到目标视频流对应的上下文表征。最后，基于上述上下文表征得到目标视频流的语义分割结果，并将该语义分割结果进行输出。
[0092]
本公开实施例提供的视频语义分割方法，该方法首先获取目标视频流；然后将目标视频流输入至预先训练的语义分割模型，输出得到目标视频流的语义分割结果。该方法基于预先训练的语义分割模型来对目标视频流进行语义分割，从而提升了对目标视频流进行语义分割的效率和准确率。
[0093]
进一步参考图6，作为对上述各图所示方法的实现，本公开提供了一种语义分割模型的训练装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
[0094]
如图6所示，本实施例的语义分割模型的训练装置600包括：第一获取模块601、建模模块602、计算模块603和更新模块604。其中，第一获取模块601，被配置成获取训练样本集，其中，训练样本集中的训练样本包括至少一个样本视频流和样本视频流的像素级标注结果；建模模块602，被配置成利用初始语义分割模型对样本视频流中视频帧之间的空时上下文进行建模，得到样本视频流的上下文表征；计算模块603，被配置成基于样本视频流的上下文表征和样本视频流的像素级标注结果，计算时序对比损失；更新模块604，被配置成基于时序对比损失更新初始语义分割模型的参数，得到训练后的语义分割模型。
[0095]
在本实施例中，语义分割模型的训练装置600中：第一获取模块601、建模模块602、计算模块603和更新模块604的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-204的相关说明，在此不再赘述。
[0096]
在本实施例的一些可选的实现方式中，初始语义分割模型包括特征提取网络和建模网络；以及建模模块包括：提取子模块，被配置成利用特征提取网络提取样本视频流中视频帧的特征，得到样本视频流的级联特征；建模子模块，被配置成利用建模网络对级联特征进行建模，得到样本视频流的上下文表征。
[0097]
在本实施例的一些可选的实现方式中，提取子模块包括：提取单元，被配置成利用特征提取网络分别提取样本视频流中所有视频帧的特征；级联单元，被配置成基于时序维度将所有视频帧的特征进行级联，得到样本视频流的级联特征。
[0098]
在本实施例的一些可选的实现方式中，建模子模块包括：划分单元，被配置成利用建模网络在时序和空间维度上将级联特征划分为至少一个网格组；生成单元，被配置成基于自注意力机制生成每个网格组的上下文表征；处理单元，被配置成对每个网格组的上下文表征进行处理，得到样本视频流对应的上下文表征。
[0099]
在本实施例的一些可选的实现方式中，处理单元包括：池化子单元，被配置成对每个网格组的上下文表征进行池化操作；得到子单元，被配置成基于池化后的每个网格组的上下文表征和每个网格组的位置索引，得到样本视频流对应的上下文表征。
[0100]
在本实施例的一些可选的实现方式中，更新模块包括：更新子模块，被配置成基于时序对比损失、利用反向传播算法更新初始语义分割模型的参数，得到训练后的语义分割模型。
[0101]
进一步参考图7，作为对上述各图所示方法的实现，本公开提供了一种视频语义分
割装置的另一个实施例，该装置实施例与图5所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
[0102]
如图7所示，本实施例的视频语义分割装置700包括：第二获取模块701和输出模块702。其中，第二获取模块701，被配置成获取目标视频流；输出模块702，被配置成将目标视频流输入至预先训练的语义分割模型，输出得到目标视频流的语义分割结果。
[0103]
在本实施例中，视频语义分割装置700中：：第二获取模块701和输出模块702的具体处理及其所带来的技术效果可分别参考图5对应实施例中的步骤501-502的相关说明，在此不再赘述。
[0104]
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
[0105]
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
[0106]
如图8所示，设备800包括计算单元801，其可以根据存储在只读存储器(rom)802中的计算机程序或者从存储单元808加载到随机访问存储器(ram)803中的计算机程序，来执行各种适当的动作和处理。在ram 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、rom 802以及ram 803通过总线804彼此相连。输入/输出(i/o)接口805也连接至总线804。
[0107]
设备800中的多个部件连接至i/o接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0108]
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如语义分割模型的训练方法、视频语义分割方法。例如，在一些实施例中，语义分割模型的训练方法、视频语义分割方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由rom 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到ram 803并由计算单元801执行时，可以执行上文描述的语义分割模型的训练方法、视频语义分割方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行语义分割模型的训练方法、视频语义分割方法。
[0109]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实
现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0110]
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0111]
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0112]
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0113]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
[0114]
云计算(cloud computer)，指的是通过网络接入弹性可扩展的共享物理或虚拟资源池，资源可以包括服务器、操作系统、网络、软件、应用或存储设备等，并可以以按需、自服务的方式对资源进行部署和管理的技术体系。通过云计算技术，可以为人工智能、区块链等技术应用、模型训练提供高效强大的数据处理能力。
[0115]
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
[0116]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
[0117]
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。