[發(fā)明專利]一種基于重標(biāo)定標(biāo)簽的圖像分割方法、系統(tǒng)及裝置

在審

• 申請?zhí)枺?/td>: 202210151327.3
• 申請日: 2022-02-18
• 公開（公告）號: CN114549839A
• 公開（公告）日: 2022-05-27
• 發(fā)明（設(shè)計）人: 易興文;曾鴻為;潘競順
• 申請（專利權(quán)）人: 中山大學(xué)
• 主分類號: G06V10/26
• 分類號: G06V10/26;G06V10/774;G06V10/70;G06V10/82;G06N3/04;G06N3/08;G06K9/62
• 代理公司: 深圳市創(chuàng)富知識產(chǎn)權(quán)代理有限公司 44367
• 代理人: 高冰

本發(fā)明公開了一種基于重標(biāo)定標(biāo)簽的圖像分割方法、系統(tǒng)及裝置，該方法包括：獲取與源數(shù)據(jù)集同類型的目標(biāo)數(shù)據(jù)集；選擇決策器并基于目標(biāo)數(shù)據(jù)集對決策器進(jìn)行訓(xùn)練，得到訓(xùn)練完成的決策器；基于訓(xùn)練完成的決策器對源數(shù)據(jù)集的圖片進(jìn)行重標(biāo)定，得到新標(biāo)簽；基于源數(shù)據(jù)集和新標(biāo)簽，訓(xùn)練圖像分割模型，得到訓(xùn)練完成的圖像分割模型。該系統(tǒng)包括：獲取模塊、第一訓(xùn)練模塊、重標(biāo)定模塊和第二訓(xùn)練模塊。該裝置包括存儲器以及用于執(zhí)行上述基于重標(biāo)定標(biāo)簽的圖像分割方法的處理器。通過使用本發(fā)明，能夠解決現(xiàn)有的離群像素對神經(jīng)網(wǎng)絡(luò)訓(xùn)練干擾導(dǎo)致的網(wǎng)絡(luò)準(zhǔn)確率降低、魯棒性變差的問題，從而提高標(biāo)注圖像分割準(zhǔn)確率。本發(fā)明可廣泛應(yīng)用于人工智能圖像處理領(lǐng)域。

技術(shù)領(lǐng)域

本發(fā)明涉及人工智能圖像處理領(lǐng)域，尤其涉及一種基于重標(biāo)定標(biāo)簽的圖像分割方法、系統(tǒng)及裝置。

背景技術(shù)

目前，隨著硬件設(shè)備內(nèi)存和算力的不斷提高，深度學(xué)習(xí)算法得以大規(guī)模實現(xiàn)并在諸如分類、分割、目標(biāo)檢測等領(lǐng)域大放異彩，深度學(xué)習(xí)圖像語義分割的任務(wù)，最常用的是有監(jiān)督的神經(jīng)網(wǎng)絡(luò)的方法，為了使網(wǎng)絡(luò)具有更高的準(zhǔn)確性和更強(qiáng)的魯棒性，就需要大量標(biāo)注好的準(zhǔn)確的圖像標(biāo)簽給網(wǎng)絡(luò)學(xué)習(xí)，然而，醫(yī)學(xué)圖像的標(biāo)注主要是醫(yī)生手動標(biāo)注，對于比較細(xì)的寬度只占據(jù)一到兩個像素標(biāo)注對象(如血管、菌絲、神經(jīng)等)，受人眼分辨力的影響，中心線的標(biāo)注就會有偏差，這種偏差肉眼不太明顯，但是卻使得局部標(biāo)注的準(zhǔn)確率幾乎為0。用這些存在著噪聲的標(biāo)簽監(jiān)督網(wǎng)絡(luò)學(xué)習(xí)的時候，將會對網(wǎng)絡(luò)識別能力產(chǎn)生負(fù)面影響，具體而言，噪聲點的存在迫使網(wǎng)絡(luò)學(xué)習(xí)的時候關(guān)注離群點而使得最終的結(jié)果難以收斂，最終網(wǎng)絡(luò)的準(zhǔn)確率會因為噪聲標(biāo)簽的誤導(dǎo)而降低。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種基于重標(biāo)定標(biāo)簽的圖像分割方法、系統(tǒng)及裝置，旨在解決現(xiàn)有的離群像素對神經(jīng)網(wǎng)絡(luò)訓(xùn)練干擾導(dǎo)致的網(wǎng)絡(luò)準(zhǔn)確率降低、魯棒性變差的問題，提高標(biāo)注圖像分割準(zhǔn)確率。

本發(fā)明所采用的第一技術(shù)方案是：一種基于重標(biāo)定標(biāo)簽的圖像分割方法，包括以下步驟：

獲取與源數(shù)據(jù)集同類型的目標(biāo)數(shù)據(jù)集；

選擇決策器并基于目標(biāo)數(shù)據(jù)集對決策器進(jìn)行訓(xùn)練，得到訓(xùn)練完成的決策器；

基于訓(xùn)練完成的決策器對源數(shù)據(jù)集的圖片進(jìn)行重標(biāo)定，得到新標(biāo)簽；

基于源數(shù)據(jù)集和新標(biāo)簽，訓(xùn)練圖像分割模型，得到訓(xùn)練完成的圖像分割模型。

進(jìn)一步，所述基于訓(xùn)練完成的決策器對源數(shù)據(jù)集的圖片進(jìn)行重標(biāo)定，得到新標(biāo)簽這一步驟，其具體包括：

基于訓(xùn)練完成的決策器對源數(shù)據(jù)集的圖片進(jìn)行重標(biāo)定，得到重標(biāo)定后的標(biāo)簽；

基于形態(tài)學(xué)閉運算操作，對重標(biāo)定后的標(biāo)簽依次進(jìn)行膨脹操作和腐蝕操作，得到新標(biāo)簽。

進(jìn)一步，所述基于訓(xùn)練完成的決策器對源數(shù)據(jù)集的圖片進(jìn)行重標(biāo)定，得到重標(biāo)定后的標(biāo)簽這一步驟，其具體包括：

基于訓(xùn)練完成的決策器，根據(jù)識別對象選擇預(yù)設(shè)的標(biāo)定方法對源數(shù)據(jù)集的圖片進(jìn)行重標(biāo)定，得到重標(biāo)定后的標(biāo)簽；

所述預(yù)設(shè)的標(biāo)定方法包括連續(xù)型重標(biāo)定方法、二值化重標(biāo)定方法和加權(quán)重標(biāo)定方法。

進(jìn)一步，所述連續(xù)型重標(biāo)定方法的公式表示如下：

上式中，n表示決策器的數(shù)量，l_i表示判決輸出，l_manual表示人工標(biāo)注的有偏標(biāo)簽，binary(·)表示二值化操作，l_final表示重標(biāo)定后的標(biāo)簽。

進(jìn)一步，所述二值化標(biāo)定方法的公式表示如下：