[發明專利]一種圖像分割、模型訓練方法、裝置、設備及介質

有效

• 申請號: 202211076329.7
• 申請日: 2022-09-05
• 公開（公告）號: CN115170807B
• 公開（公告）日: 2022-12-02
• 發明（設計）人: 付建海;俞元杰;吳立;顏成鋼;李亮;殷海兵;熊劍平
• 申請（專利權）人: 浙江大華技術股份有限公司
• 主分類號: G06V10/26
• 分類號: G06V10/26;G06V10/764;G06V10/774;G06V10/80
• 代理公司: 北京同達信恒知識產權代理有限公司 11291
• 代理人: 杜晶

本申請公開了一種圖像分割、模型訓練方法、裝置、設備及介質，首先基于訓練集中的樣本圖像及其對應的標注圖像對圖像分割模型進行訓練，得到圖像分割模型的初始參數，在基于圖像分割模型進行圖像分割時，確定圖像的初始分類結果和熱力圖的概率分布值，根據概率分布值對圖像分割模型的參數進行調整。本申請結合樣本圖像訓練圖像分割模型的初始參數，以及根據待處理的圖像對圖像分割模型的初始參數進行調整的方式，使得基于少量的樣本圖像訓練圖像分割模型，即可實現對待處理的圖像進行準確有效的分割，降低了圖像分割模型訓練的成本。

技術領域

本申請涉及機器視覺技術領域，尤其涉及一種圖像分割、模型訓練方法、裝置、設備及介質。

背景技術

深度卷積神經網絡在圖像分割視覺理解任務上都取得了重大突破。其利用了大規模樣本圖像的可用性，比如圖像識別數據庫ImageNet，利用ImageNet中的樣本圖像對圖像分割模型的訓練。

相關技術在訓練圖像分割模型時，需要對大規模的樣本圖像進行分類標記，特別是對于密集的預測任務，如語義分割，需要對更大規模的樣本圖像分別進行分類標記，才能得到能夠對圖像進行語義分割的圖像分割模型。相關技術存在的問題是，對大規模的樣本圖像分別進行分類標記的成本是很大的，圖像分割模型的訓練過程中數據處理量也是很大的。

發明內容

本申請實施例提供了一種圖像分割、模型訓練方法、裝置、設備及介質，用以提供一種基于少量樣本圖像訓練圖像分割模型，用于進行圖像分割的方案。

本申請提供了一種圖像分割方法，所述方法包括：

獲取待處理的圖像，將所述圖像輸入訓練后的圖像分割模型，其中，所述圖像分割模型是基于訓練集中的樣本圖像及其對應的標注圖像訓練得到的；

基于所述圖像分割模型，分別確定所述圖像的初始分類結果和熱力圖，根據所述初始分類結果和熱力圖確定概率分布值，根據所述概率分布值對所述圖像分割模型的參數進行調整，根據調整參數后的圖像分割模型，對所述圖像進行分割處理，得到分割圖像。

進一步地，所述圖像分割模型包括編碼器、解碼器、第一分類器、深度自注意力變換器和第二分類器；

所述編碼器與所述解碼器連接，所述解碼器還分別與所述第一分類器、深度自注意力變換器連接，所述第一分類器、深度自注意力變換器還分別與所述第二分類器連接。

進一步地，所述基于所述圖像分割模型，分別確定所述圖像的初始分類結果和熱力圖，根據所述初始分類結果和熱力圖確定概率分布值，根據所述概率分布值對所述圖像分割模型的參數進行調整包括：

將所述圖像輸入所述圖像分割模型中的編碼器，基于所述編碼器和解碼器，確定所述圖像對應的深度特征圖；

基于所述第一分類器確定所述深度特征圖的初始分類結果，基于所述深度自注意力變換器確定所述深度特征圖的熱力圖；

基于所述第二分類器確定所述初始分類結果和熱力圖確定概率分布值，根據所述概率分布值對所述第二分類器的參數進行調整。

進一步地，所述根據所述概率分布值對所述第二分類器的參數進行調整包括：

判斷所述概率分布值是否大于設定的容許閾值，如果是，根據隨機梯度下降法對所述第二分類器的參數進行調整，如果否，停止對所述第二分類器的參數進行調整。

進一步地，所述根據調整參數后的圖像分割模型，對所述圖像進行分割處理，得到分割圖像包括：

基于所述深度自注意力變換器對所述深度特征圖和初始分類結果進行第一融合處理，得到融合特征圖，對所述深度特征圖和融合特征圖進行第二融合處理，得到熱力圖；

基于所述第二分類器調整后的參數，對所述熱力圖進行分割處理，得到所述分割圖像。