[發明專利]圖像分割模型訓練方法、圖像分割方法、裝置及電子設備

有效

• 申請號: 201911125145.3
• 申請日: 2019-11-18
• 公開（公告）號: CN110880182B
• 公開（公告）日: 2022-08-26
• 發明（設計）人: 陳彥龍;韓旭
• 申請（專利權）人: 東聲(蘇州)智能科技有限公司
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06V10/25;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 北京超凡宏宇專利代理事務所(特殊普通合伙) 11463
• 代理人: 謝玲

1.一種圖像分割模型訓練方法，其特征在于，包括：

獲取訓練圖像集中的各圖像的興趣區域圖像，以得到所述訓練圖像集對應的興趣圖像集；

將所述訓練圖像集與所述興趣圖像集輸入初始神經網絡模型進行模型訓練，以得到圖像分割模型；其中，所述初始神經網絡模型為DenseNet網絡模型，所述DenseNet網絡模型包括多個密集塊和一個全連接層，所述多個密集塊包括四個密集塊，其中，第一個密集塊和第二個密集塊為普通卷積，第三個密集塊和第四個密集塊為空洞卷積，所述全連接層為多孔空間金字塔池化模塊。

2.根據權利要求1所述的方法，其特征在于，所述獲取訓練圖像集中的各圖像的興趣區域圖像，以得到所述訓練圖像集對應的興趣圖像集的步驟，包括：

接收對所述訓練圖像集中的各圖像中的選擇操作，所述選擇操作用于選擇各圖像中的興趣區域；

根據所述選擇操作截取各圖像中的興趣區域圖像，以得到所述訓練圖像集對應的興趣圖像集。

3.根據權利要求1所述的方法，其特征在于，所述將所述訓練圖像集與所述興趣圖像集輸入初始神經網絡模型進行模型訓練，以得到圖像分割模型的步驟，包括：

根據所述訓練圖像集和所述興趣圖像集中的圖像數據計算當前神經網絡模型的當前損失值，所述當前神經網絡模型為所述初始神經網絡模型或更新待確定參數后得到的當前神經網絡模型；

當所述損失值大于設定值時，更新所述當前神經網絡模型的待確定參數得到更新的當前神經網絡模型；

當所述損失值小于設定值，或更新所述待確定參數的次數達到指定次數時，將當前神經網絡模型作為圖像分割模型。

4.根據權利要求3所述的方法，其特征在于，所述當所述損失值大于設定值時，更新所述當前神經網絡模型的待確定參數得到更新的當前神經網絡模型的步驟，包括：

當所述損失值大于設定值時，使用逐層反向調節的方式更新所述當前神經網絡模型的待確定參數得到更新的當前神經網絡模型。

5.根據權利要求1-4任意一項所述的方法，其特征在于，所述DenseNet網絡模型還包括一個卷積層、一個池化層、多個過渡層和一個全局池化層。

6.根據權利要求5所述的方法，其特征在于，所述多個密集塊中，其中每個密集塊的各層特征使用跳躍連接進行連接，各個密集塊的輸出特征也使用跳躍連接進行連接。

7.一種圖像分割方法，其特征在于，包括：

獲取待分割圖像；

將所述待分割圖像輸入權利要求1-6任意一項所述的方法得到的圖像分割模型中進行分割，得到圖像分割結果。

8.一種圖像分割模型訓練裝置，其特征在于，包括：

第一獲取模塊，用于獲取訓練圖像集中的各圖像的興趣區域圖像，以得到所述訓練圖像集對應的興趣圖像集；

訓練模塊，用于將所述訓練圖像集與所述興趣圖像集輸入初始神經網絡模型進行模型訓練，以得到圖像分割模型；其中，所述初始神經網絡模型為DenseNet網絡模型，所述DenseNet網絡模型包括多個密集塊和一個全連接層，所述多個密集塊包括四個密集塊，其中，第一個密集塊和第二個密集塊為普通卷積，第三個密集塊和第四個密集塊為空洞卷積，所述全連接層為多孔空間金字塔池化模塊。

9.一種圖像分割裝置，其特征在于，包括：

第二獲取模塊，用于獲取待分割圖像；

分割模塊，用于將所述待分割圖像輸入權利要求1-6任意一項所述的方法得到的圖像分割模型進行分割，得到圖像分割結果。

10.一種電子設備，其特征在于，包括：處理器、存儲器，所述存儲器存儲有所述處理器可執行的機器可讀指令，當電子設備運行時，所述機器可讀指令被所述處理器執行時執行如權利要求1至7任一所述的方法的步驟。

11.一種計算機可讀存儲介質，其特征在于，該計算機可讀存儲介質上存儲有計算機程序，該計算機程序被處理器運行時執行如權利要求1至7任一所述的方法的步驟。