CN111311616B - 用于分割图像的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于分割图像的方法和装置。该方法的一具体实施方式包括：将待分割图像输入预先训练的图像分割模型的第一特征提取层中，得到第一输出结果，其中，第一输出结果包括多尺度卷积特征和分割特征；将多尺度卷积特征输入到图像分割模型的第二特征提取层中，得到第二输出结果，其中，第二输出结果包括边缘特征；将分割特征和边缘特征输入到图像分割模型的合并层中，得到待分割图像的最终分割结果。该实施方式针对图像分割边缘进行了优化，提高了图像分割的准确性。

Description

用于分割图像的方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及用于分割图像的方法和装置。

背景技术

图像分割技术是计算机视觉领域的一个重要的研究方向，是图像语义理解的重要一环。图像分割是指将图像分成若干具有相似性质的区域的过程。从数学角度来看，图像分割是将图像划分成互不相交的区域的过程。近些年来随着深度学习技术的逐步深入，图像分割技术有了突飞猛进的发展，该技术相关的场景如物体分割、人体前背景分割、人脸人体解析、三维重建等技术已经在无人驾驶、增强现实、安防监控等行业都得到广泛的应用。

发明内容

本申请实施例提出了用于分割图像的方法和装置。

第一方面，本申请实施例提供了一种用于分割图像的方法，包括：将待分割图像输入预先训练的图像分割模型的第一特征提取层中，得到第一输出结果，其中，第一输出结果包括多尺度卷积特征和分割特征；将多尺度卷积特征输入到图像分割模型的第二特征提取层中，得到第二输出结果，其中，第二输出结果包括边缘特征；将分割特征和边缘特征输入到图像分割模型的合并层中，得到待分割图像的最终分割结果。

在一些实施例中，第一输出结果还包括待分割图像的分割结果，第二输出结果还包括待分割图像的边缘分割结果。

在一些实施例中，图像分割模型的模型训练步骤如下：获取样本集，其中，样本包括样本图像和样本图像对应的样本最终分割结果；针对样本集中的样本，执行以下训练步骤：将样本的样本图像输入到初始模型的第一特征提取层中，得到样本的包括多尺度卷积特征和分割特征的第一输出结果；将样本的多尺度卷积特征输入初始模型的第二特征提取层中，得到样本的包括边缘特征的第二输出结果；将样本的分割特征和样本的边缘特征输入初始模型的合并层中，得到样本的最终分割结果；基于样本的最终分割结果和对应的样本最终分割结果，确定样本的总损失值；将样本的总损失值与目标值进行比较，根据比较结果确定初始模型是否训练完成；响应于确定出初始模型训练完成，将初始模型确定为图像分割模型。

在一些实施例中，样本的第一输出结果还包括分割结果，样本的第二输出结果还包括边缘分割结果；以及基于样本的最终分割结果和样本最终分割结果，确定样本的总损失值，包括：将样本的分割结果与对应的样本最终分割结果进行分析，确定分割结果损失值；将样本的边缘分割结果与对应的样本边缘分割结果进行分析，确定边缘分割结果损失值，其中，样本边缘分割结果是基于样本最终分割结果所确定出的；将样本的最终分割结果与对应的样本最终分割结果进行分析，确定最终分割结果损失值；根据预设的分割结果权重、边缘分割结果权重和最终分割结果权重，将样本的分割结果损失值、边缘分割结果损失值和最终分割结果损失值的加权结果确定为样本的总损失值。

在一些实施例中，图像分割模型的模型训练步骤还包括：响应于确定出初始模型未训练完成，调整初始模型的相关参数，使用调整后的初始模型作为初始模型，继续执行训练步骤。

第二方面，本申请实施例提供了一种用于分割图像的装置，包括：第一输入单元，被配置成将待分割图像输入预先训练的图像分割模型的第一特征提取层中，得到第一输出结果，其中，第一输出结果包括多尺度卷积特征和分割特征；第二输入单元，被配置成将多尺度卷积特征输入到图像分割模型的第二特征提取层中，得到第二输出结果，其中，第二输出结果包括边缘特征；第三输入单元，被配置成将分割特征和边缘特征输入到图像分割模型的合并层中，得到待分割图像的最终分割结果。

在一些实施例中，第一输出结果还包括待分割图像的分割结果，第二输出结果还包括待分割图像的边缘分割结果。

在一些实施例中，图像分割模型的模型训练步骤如下：获取样本集，其中，样本包括样本图像和样本图像对应的样本最终分割结果；针对样本集中的样本，执行以下训练步骤：将样本的样本图像输入到初始模型的第一特征提取层中，得到样本的包括多尺度卷积特征和分割特征的第一输出结果；将样本的多尺度卷积特征输入初始模型的第二特征提取层中，得到样本的包括边缘特征的第二输出结果；将样本的分割特征和样本的边缘特征输入初始模型的合并层中，得到样本的最终分割结果；基于样本的最终分割结果和对应的样本最终分割结果，确定样本的总损失值；将样本的总损失值与目标值进行比较，根据比较结果确定初始模型是否训练完成；响应于确定出初始模型训练完成，将初始模型确定为图像分割模型。

在一些实施例中，样本的第一输出结果还包括分割结果，样本的第二输出结果还包括边缘分割结果；以及基于样本的最终分割结果和样本最终分割结果，确定样本的总损失值，包括：将样本的分割结果与对应的样本最终分割结果进行分析，确定分割结果损失值；将样本的边缘分割结果与对应的样本边缘分割结果进行分析，确定边缘分割结果损失值，其中，样本边缘分割结果是基于样本最终分割结果所确定出的；将样本的最终分割结果与对应的样本最终分割结果进行分析，确定最终分割结果损失值；根据预设的分割结果权重、边缘分割结果权重和最终分割结果权重，将样本的分割结果损失值、边缘分割结果损失值和最终分割结果损失值的加权结果确定为样本的总损失值。

在一些实施例中，图像分割模型的模型训练步骤还包括：响应于确定出初始模型未训练完成，调整初始模型的相关参数，使用调整后的初始模型作为初始模型，继续执行训练步骤。

第三方面，本申请实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本申请的上述实施例提供的用于分割图像的方法和装置，通过首先将待分割图像输入预先训练的图像分割模型的第一特征提取层中，得到包括多尺度卷积特征和分割特征的第一输出结果；之后，将上述多尺度卷积特征输入到上述图像分割模型的第二特征提取层中，得到包括边缘特征的第二输出结果；最后，将上述分割特征和上述边缘特征输入到上述图像分割模型的合并层中，得到上述待分割图像的最终分割结果。这种方式针对图像分割边缘进行了优化，提高了图像分割的准确性。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请的各个实施例可以应用于其中的示例性系统架构图；

图2是根据本申请的用于分割图像的方法的一个实施例的流程图；

图3是根据本申请的用于分割图像的方法的一个应用场景的示意图；

图4是根据本申请的用于分割图像的方法中训练图像分割模型的一个实施例的流程图；

图5是根据本申请的用于分割图像的装置的一个实施例的结构示意图；

图6是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请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申请。

图1示出了可以应用本申请的用于分割图像的方法的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备1011、1012、1013，网络102和服务器103。网络102用以在终端设备1011、1012、1013和服务器103之间提供通信链路的介质。网络102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。

用户可以使用终端设备1011、1012、1013通过网络102与服务器103交互，以发送或接收消息等(例如，终端设备1011、1012、1013可以从服务器103中获取训练完成的图像分割模型，服务器103也可以从终端设备1011、1012、1013中获取待分割图像)等。终端设备1011、1012、1013上可以安装有各种通讯客户端应用，例如图像处理类应用、即时通讯软件等。

终端设备1011、1012、1013可以将待分割图像输入预先训练的图像分割模型的第一特征提取层中，得到包括多尺度卷积特征和分割特征的第一输出结果；之后，可以将上述多尺度卷积特征输入到上述图像分割模型的第二特征提取层中，得到包括边缘特征的第二输出结果；最后，可以将上述分割特征和上述边缘特征输入到上述图像分割模型的合并层中，得到上述待分割图像的最终分割结果。

终端设备1011、1012、1013可以是硬件，也可以是软件。当终端设备1011、1012、1013为硬件时，可以是支持信息交互的各种电子设备，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1011、1012、1013为软件时，可以安装在上述所列举的电子设备中。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。

服务器103可以是提供各种服务的服务器。例如，可以是对图像进行分割的后台服务器。服务器103可以首先将待分割图像输入预先训练的图像分割模型的第一特征提取层中，得到包括多尺度卷积特征和分割特征的第一输出结果；之后，可以将上述多尺度卷积特征输入到上述图像分割模型的第二特征提取层中，得到包括边缘特征的第二输出结果；最后，可以将上述分割特征和上述边缘特征输入到上述图像分割模型的合并层中，得到上述待分割图像的最终分割结果。

需要说明的是，服务器103可以是硬件，也可以是软件。当服务器103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103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。

需要说明的是，本申请实施例所提供的用于分割图像的方法可以由终端设备1011、1012、1013执行，也可以由服务器103执行。

还需要说明的是，终端设备1011、1012、1013的本地可以存储有训练完成的图像分割模型。此时示例性系统架构100可以不存在网络102和服务器103。

还需要说明的是，服务器105的本地也可以存储有待分割图像，服务器105可以从本地获取待分割图像。此时示例性系统架构100可以不存在终端设备1011、1012、1013和网络102。

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。

继续参考图2，示出了根据本申请的用于分割图像的方法的一个实施例的流程200。该用于分割图像的方法，包括以下步骤：

步骤201，将待分割图像输入预先训练的图像分割模型的第一特征提取层中，得到第一输出结果。

在本实施例中，用于分割图像的方法的执行主体(例如图1所示的服务器或者终端设备)可以将待分割图像输入预先训练的图像分割模型的第一特征提取层中，得到第一输出结果。上述第一输出结果通常包括多尺度卷积特征和分割特征。上述图像分割模型可以包括深度学习网络(Deep Learning Network，DLN)，例如，卷积神经网络(ConvolutionalNeural Network，CNN)。在这里，上述图像分割模型通常包括第一特征提取层、第二特征提取层和合并层。上述第一特征提取层可以用于从上述待分割图像中提取多尺度卷积特征和分割特征。上述分割特征也可以称为主要分割特征或全局分割特征。

作为一种示例，在对图像特征进行提取时，在整张图像上提取特征，提取出的是全局特征。若按照预设尺寸截取图像的一部分，并将其放大至与原图像相同的尺寸，在截取后放大的图像上提取特征，此时，提取出的是图像中某一部分的详细特征。通常来说，上述预设尺寸为多个尺寸，此时，提取出的特征为多尺度卷积特征。

作为另一种示例，上述第一特征提取层可以包括多个特征提取层，将上述待分割图像输入到多个特征提取层，对于每一层所得到的卷积特征，可以依次进行池化、L2范数标准化、尺度缩放，最终将不同层得到的特征在通道维度上进行合并，得到多尺度卷积特征。

步骤202，将多尺度卷积特征输入到图像分割模型的第二特征提取层中，得到第二输出结果。

在本实施例中，上述执行主体可以将在步骤201中得到的多尺度卷积特征输入到上述图像分割模型的第二特征提取层中，得到第二输出结果。上述第二输出结果通常包括边缘特征。上述第二特征提取层可以用于从上述多尺度卷积特征中提取边缘特征。

步骤203，将分割特征和边缘特征输入到图像分割模型的合并层中，得到待分割图像的最终分割结果。

在本实施例中，上述执行主体可以将在步骤201中得到的分割特征和在步骤202中得到的边缘特征输入到上述图像分割模型的合并层中，得到待分割图像的最终分割结果。上述合并层可以用于对上述分割特征和上述边缘特征进行合并(例如，对同一维度上的分割特征和边缘特征进行合并)，并对合并结果进行卷积操作。

在本实施例的一些可选的实现方式中，上述第一输出结果还可以包括上述待分割图像的分割结果。上述分割结果可以用于指示上述待分割图像中的各个像素点是否为分割点。上述第二输出结果还可以包括上述待分割图像的边缘分割结果。上述边缘分割结果可以用于指示上述待分割图像中的各个像素点是否为边缘点。

继续参见图3，图3是根据本实施例的用于分割图像的方法的应用场景的一个示意图。在图3的应用场景中，服务器302接收到用户终端301发送的待分割图像303；之后，可以将待分割图像303输入预先训练的图像分割模型的第一特征提取层304中，得到包括多尺度卷积特征305和分割特征306的第一输出结果；而后，可以将多尺度卷积特征305输入到上述图像分割模型的第二特征提取层307中，得到包括边缘特征308的第二输出结果；最后，服务器302可以将分割特征306和边缘特征308输入到上述图像分割模型的合并层309中，得到待分割图像303的最终分割结果310。

本申请的上述实施例提供的方法通过在图像分割的过程中对图像分割边缘进行优化，提高了图像分割的准确性和稳定性。

进一步参考图4，图4是根据本申请的用于分割图像的方法中训练图像分割模型的一个实施例的流程400。如图4所示，本实施例中，训练图像分割模型的训练步骤包括：

步骤401，获取样本集。

在本实施例中，训练步骤的执行主体可以与用于分割图像的方法的执行主体相同或者不同。如果相同，则训练步骤的执行主体可以在训练得到图像分割模型后将训练好的图像分割模型的模型结构信息和模型参数的参数值存储在本地。如果不同，则训练步骤的执行主体可以在训练得到图像分割模型后将训练好的图像分割模型的模型结构信息和模型参数的参数值发送给用于分割图像的方法的执行主体。

在本实施例中，训练步骤的执行主体可以通过多种方式来获取样本集。例如，可以通过有线连接方式或无线连接方式，从数据库服务器中获取存储于其中的现有的样本集。再例如，可以通过终端来收集样本。这样，可以接收终端所收集的样本，并将这些样本存储在本地，从而生成样本集。上述样本集中的样本可以包括样本图像和上述样本图像对应的样本最终分割结果。这里的样本最终分割结果可以是用于表征样本图像中的各个像素点是否为分割点的标签信息。

步骤402，针对样本集中的样本，执行以下训练步骤：将样本的样本图像输入到初始模型的第一特征提取层中，得到样本的包括多尺度卷积特征和分割特征的第一输出结果；将样本的多尺度卷积特征输入初始模型的第二特征提取层中，得到样本的包括边缘特征的第二输出结果；将样本的分割特征和样本的边缘特征输入初始模型的合并层中得到样本的最终分割结果；基于样本的最终分割结果和样本最终分割结果，确定样本的总损失值；将样本的总损失值与目标值进行比较，根据比较结果确定初始模型是否训练完成；响应于确定出初始模型训练完成，将初始模型确定为图像分割模型。

在本实施例中，训练步骤的执行主体可以针对步骤401中获取到的样本集中的样本，执行训练步骤。在这里，训练步骤的执行主体可以针对上述样本集中的每个样本，执行训练步骤。训练步骤的执行主体也可以针对上述样本集中的每批样本，执行训练步骤。需要说明的是，每批样本的数量可以是预设的，各批样本的样本数量可以不相同。

在本实施例中，步骤402可以包括子步骤4021、4022、4023、4024、4025、4026。

步骤4021，将样本的样本图像输入到初始模型的第一特征提取层中，得到样本的包括多尺度卷积特征和分割特征的第一输出结果。

在这里，训练步骤的执行主体可以将样本的样本图像输入到初始模型的第一特征提取层中。通过对输入样本的样本图像进行检测分析，可以得到样本的包括多尺度卷积特征和分割特征的第一输出结果。在这里，初始模型通常包括第一特征提取层、第二特征提取层和合并层。初始模型的第一特征提取层可以用于从样本图像中提取多尺度卷积特征和分割特征。

在这里，初始模型可以是基于机器学习技术而创建的现有的各种神经网络模型。该神经网络模型可以具有现有的各种神经网络结构(例如DenseBox、VGGNet、ResNet、SegNet等)。

步骤4022，将样本的多尺度卷积特征输入初始模型的第二特征提取层中，得到样本的包括边缘特征的第二输出结果。

在这里，训练步骤的执行主体可以将步骤4021中得到的样本的多尺度卷积特征输入初始模型的第二特征提取层中，得到样本的包括边缘特征的第二输出结果。初始模型的第二特征提取层可以用于从样本的多尺度卷积特征中提取边缘特征，得到样本的边缘特征。

步骤4023，将样本的分割特征和样本的边缘特征输入初始模型的合并层中，得到样本的最终分割结果。

在这里，训练步骤的执行主体可以将在步骤4021得到的样本的分割特征和在步骤4022中得到的样本的边缘特征输入初始模型的合并层中，得到样本的最终分割结果。初始模型的合并层可以用于对样本的分割特征和样本的边缘特征进行合并，并对合并结果进行卷积操作。

步骤4024，基于样本的最终分割结果和对应的样本最终分割结果，确定样本的总损失值。

在这里，训练步骤的执行主体可以基于在步骤4023中得到的样本的最终分割结果和对应的样本最终分割结果，确定样本的总损失值。例如，可以将样本的最终分割结果和对应的样本最终分割结果作为参数，输入指定的第一损失函数(loss function)中，可以将计算得到的两者之间的损失值确定为样本的总损失值。

在本实施例中，损失函数通常是用来估量模型的预测值(如最终分割结果)与真实值(如样本脸部特征信息)的不一致程度。它是一个非负实值函数。一般情况下，损失函数越小，模型的鲁棒性就越好。损失函数可以根据实际需求来设置。例如，上述损失函数可以包括交叉熵损失函数。

步骤4025，将样本的总损失值与目标值进行比较，根据比较结果确定初始模型是否训练完成。

在这里，训练步骤的执行主体可以将在步骤4024中得到的样本的总损失值与目标值进行比较，根据比较结果确定初始模型是否训练完成。上述目标值一般可以用于表示预测值与真实值之间的不一致程度的理想情况。也就是说，当总损失值达到目标值时，可以认为预测值接近或近似真值。目标值可以根据实际需求来设置。

需要说明的是，若针对上述样本集中的每批样本，执行训练步骤，则训练步骤的执行主体可以将每个样本的总损失值分别与目标值进行比较。从而可以确定该批样本中的每个样本的总损失值是否达到目标值。

作为示例，如果每次利用多个样本进行模型训练，那么在每个样本的总损失值均达到目标值的情况下，训练步骤的执行主体可以确定初始模型训练完成。再例如，训练步骤的执行主体可以统计总损失值达到目标值的样本占该批样本的比例。且在该比例达到预设样本比例(如95％)，可以确定初始模型训练完成。

步骤4026，响应于确定出初始模型训练完成，将初始模型确定为图像分割模型。

在这里，若在步骤4025中确定出初始模型训练完成，训练步骤的执行主体可以将上述初始模型确定为图像分割模型。

在这里，训练步骤的执行主体可以将生成的图像分割模型存储在本地，也可以将其发送给其他电子设备或数据库服务器。

在本实施例的一些可选的实现方式中，样本的第一输出结果还可以包括分割结果，样本的第二输出结果还可以包括边缘分割结果。样本的分割结果可以用于指示对应的样本图像中的各个像素点是否为分割点。样本的边缘分割结果可以用于指示对应的样本图像中的各个像素点是否为边缘点。训练步骤的执行主体可以通过如下方式基于样本的最终分割结果和样本最终分割结果，确定样本的总损失值：首先，可以将样本的分割结果与对应的样本最终分割结果进行分析，确定分割结果损失值。例如可以将分割结果和对应的样本最终分割结果作为参数，输入指定的第二损失函数中，从而可以计算得到两者之间损失值作为分割结果损失值。之后，可以将样本的边缘分割结果与对应的样本边缘分割结果进行分析，确定边缘分割结果损失值。例如可以将边缘分割结果和对应的样本边缘分割结果作为参数，输入指定的第三损失函数中，从而可以计算得到两者之间损失值作为边缘分割结果损失值。在这里，上述样本边缘分割结果可以是基于上述样本最终分割结果所确定出的。而后，可以将样本的最终分割结果与对应的样本最终分割结果进行分析，确定最终分割结果损失值。例如可以将最终分割结果和对应的样本最终分割结果作为参数，输入指定的第四损失函数中，从而可以计算得到两者之间损失值作为最终分割结果损失值。最后，可以根据预设的分割结果权重、边缘分割结果权重和最终分割结果权重，将样本的分割结果损失值、边缘分割结果损失值和最终分割结果损失值的加权结果确定为样本的总损失值。具体地，可以根据预设的分割结果权重、边缘分割结果权重和最终分割结果权重，对同一样本的分割结果损失值、边缘分割结果损失值和最终分割结果损失值进行加权处理。在这里，预设的分割结果权重为分割结果损失值的权重，预设的边缘分割结果权重为边缘分割结果损失值的权重，预设的最终分割结果权重为最终分割结果损失值的权重。可以将同一样本的上述加权结果，作为该样本的总损失值。

需要说明的是，上述第三损失函数可以是权重交叉熵损失函数，相比于交叉熵损失函数，权重交叉熵损失函数增加了积极目标的权重。在这里，积极目标为边缘分割结果中表征像素点为边缘点的结果。

在本实施例的一些可选的实现方式中，若在步骤4025中确定出初始模型未训练完成，训练步骤的执行主体可以调整初始模型的相关参数。例如采用反向传播技术修改初始模型中各卷积层中的权重。使用调整后的初始模型作为初始模型，继续执行训练步骤4021-4026。

本申请的上述实施例提供的方法通过根据样本的总损失值与目标值的比较结果确定初始模型是否训练完成，当总损失值达到目标值时，可以认为预测值接近或近似真值，此时，可以将初始模型确定为图像分割模型。通过这种方式所生成的模型的鲁棒性较高。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于分割图像的装置的一个实施例，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。

如图5所示，本实施例的用于分割图像的装置500包括：第一输入单元501、第二输入单元502和第三输入单元503。其中，第一输入单元501被配置成将待分割图像输入预先训练的图像分割模型的第一特征提取层中，得到第一输出结果，其中，第一输出结果包括多尺度卷积特征和分割特征；第二输入单元502被配置成将多尺度卷积特征输入到图像分割模型的第二特征提取层中，得到第二输出结果，其中，第二输出结果包括边缘特征；第三输入单元503被配置成将分割特征和边缘特征输入到图像分割模型的合并层中，得到待分割图像的最终分割结果。

在本实施例中，用于分割图像的装置500的第一输入单元501、第二输入单元502和第三输入单元503的具体处理可以参考图2对应实施例中的步骤201、步骤202和步骤203。

在本实施例的一些可选的实现方式中，上述第一输出结果还可以包括上述待分割图像的分割结果。上述分割结果可以用于指示上述待分割图像中的各个像素点是否为分割点。上述第二输出结果还可以包括上述待分割图像的边缘分割结果。上述边缘分割结果可以用于指示上述待分割图像中的各个像素点是否为边缘点。

在本实施例的一些可选的实现方式中，上述图像分割模型的模型训练步骤可以如下：首先，获取样本集，其中，样本包括样本图像和上述样本图像对应的样本最终分割结果；之后，针对上述样本集中的样本，执行以下训练步骤：将样本的样本图像输入到初始模型的第一特征提取层中，得到样本的包括多尺度卷积特征和分割特征的第一输出结果；将样本的多尺度卷积特征输入初始模型的第二特征提取层中，得到样本的包括边缘特征的第二输出结果；将样本的分割特征和样本的边缘特征输入初始模型的合并层中，得到样本的最终分割结果；基于样本的最终分割结果和对应的样本最终分割结果，确定样本的总损失值；将样本的总损失值与目标值进行比较，根据比较结果确定初始模型是否训练完成；响应于确定出上述初始模型训练完成，将上述初始模型确定为图像分割模型。

在本实施例的一些可选的实现方式中，样本的第一输出结果还可以包括分割结果，样本的第二输出结果还可以包括边缘分割结果。样本的分割结果可以用于指示对应的样本图像中的各个像素点是否为分割点。样本的边缘分割结果可以用于指示对应的样本图像中的各个像素点是否为边缘点。训练步骤的执行主体可以通过如下方式基于样本的最终分割结果和样本最终分割结果，确定样本的总损失值：首先，可以将样本的分割结果与对应的样本最终分割结果进行分析，确定分割结果损失值。例如可以将分割结果和对应的样本最终分割结果作为参数，输入指定的第二损失函数中，从而可以计算得到两者之间损失值作为分割结果损失值。之后，可以将样本的边缘分割结果与对应的样本边缘分割结果进行分析，确定边缘分割结果损失值。例如可以将边缘分割结果和对应的样本边缘分割结果作为参数，输入指定的第三损失函数中，从而可以计算得到两者之间损失值作为边缘分割结果损失值。在这里，上述样本边缘分割结果可以是基于上述样本最终分割结果所确定出的。而后，可以将样本的最终分割结果与对应的样本最终分割结果进行分析，确定最终分割结果损失值。例如可以将最终分割结果和对应的样本最终分割结果作为参数，输入指定的第四损失函数中，从而可以计算得到两者之间损失值作为最终分割结果损失值。最后，可以根据预设的分割结果权重、边缘分割结果权重和最终分割结果权重，将样本的分割结果损失值、边缘分割结果损失值和最终分割结果损失值的加权结果确定为样本的总损失值。具体地，可以根据预设的分割结果权重、边缘分割结果权重和最终分割结果权重，对同一样本的分割结果损失值、边缘分割结果损失值和最终分割结果损失值进行加权处理。在这里，预设的分割结果权重为分割结果损失值的权重，预设的边缘分割结果权重为边缘分割结果损失值的权重，预设的最终分割结果权重为最终分割结果损失值的权重。可以将同一样本的上述加权结果，作为该样本的总损失值。

在本实施例的一些可选的实现方式中，若确定出初始模型未训练完成，训练步骤的执行主体可以调整初始模型的相关参数。例如采用反向传播技术修改初始模型中各卷积层中的权重。使用调整后的初始模型作为初始模型，继续执行训练步骤。

下面参考图6，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器或终端设备)600的结构示意图。本公开的实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：将待分割图像输入预先训练的图像分割模型的第一特征提取层中，得到第一输出结果，其中，上述第一输出结果包括多尺度卷积特征和分割特征；将上述多尺度卷积特征输入到上述图像分割模型的第二特征提取层中，得到第二输出结果，其中，上述第二输出结果包括边缘特征；将上述分割特征和上述边缘特征输入到上述图像分割模型的合并层中，得到上述待分割图像的最终分割结果。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括第一输入单元、第二输入单元和第三输入单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一输入单元还可以被描述为“将待分割图像输入预先训练的图像分割模型的第一特征提取层中，得到第一输出结果的单元”。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (12)

1.一种用于分割图像的方法，包括：

将待分割图像输入预先训练的图像分割模型的第一特征提取层中，得到第一输出结果，其中，所述第一输出结果包括多尺度卷积特征和分割特征；

将所述多尺度卷积特征输入到所述图像分割模型的第二特征提取层中，得到第二输出结果，其中，所述第二输出结果包括边缘特征；

将所述分割特征和所述边缘特征输入到所述图像分割模型的合并层中，得到所述待分割图像的最终分割结果。

2.根据权利要求1所述的方法，其中，所述第一输出结果还包括所述待分割图像的分割结果，所述第二输出结果还包括所述待分割图像的边缘分割结果。

3.根据权利要求1所述的方法，其中，所述图像分割模型的模型训练步骤如下：

获取样本集，其中，样本包括样本图像和所述样本图像对应的样本最终分割结果；

针对所述样本集中的样本，执行以下训练步骤：将样本的样本图像输入到初始模型的第一特征提取层中，得到样本的包括多尺度卷积特征和分割特征的第一输出结果；将样本的多尺度卷积特征输入初始模型的第二特征提取层中，得到样本的包括边缘特征的第二输出结果；将样本的分割特征和样本的边缘特征输入初始模型的合并层中，得到样本的最终分割结果；基于样本的最终分割结果和对应的样本最终分割结果，确定样本的总损失值；将样本的总损失值与目标值进行比较，根据比较结果确定初始模型是否训练完成；响应于确定出所述初始模型训练完成，将所述初始模型确定为图像分割模型。

4.根据权利要求3所述的方法，其中，样本的第一输出结果还包括分割结果，样本的第二输出结果还包括边缘分割结果；以及

所述基于样本的最终分割结果和样本最终分割结果，确定样本的总损失值，包括：

将样本的分割结果与对应的样本最终分割结果进行分析，确定分割结果损失值；将样本的边缘分割结果与对应的样本边缘分割结果进行分析，确定边缘分割结果损失值，其中，所述样本边缘分割结果是基于所述样本最终分割结果所确定出的；将样本的最终分割结果与对应的样本最终分割结果进行分析，确定最终分割结果损失值；根据预设的分割结果权重、边缘分割结果权重和最终分割结果权重，将样本的分割结果损失值、边缘分割结果损失值和最终分割结果损失值的加权结果确定为样本的总损失值。

5.根据权利要求3或4所述的方法，其中，所述图像分割模型的模型训练步骤还包括：

响应于确定出初始模型未训练完成，调整初始模型的相关参数，使用调整后的初始模型作为初始模型，继续执行所述训练步骤。

6.一种用于分割图像的装置，包括：

第一输入单元，被配置成将待分割图像输入预先训练的图像分割模型的第一特征提取层中，得到第一输出结果，其中，所述第一输出结果包括多尺度卷积特征和分割特征；

第二输入单元，被配置成将所述多尺度卷积特征输入到所述图像分割模型的第二特征提取层中，得到第二输出结果，其中，所述第二输出结果包括边缘特征；

第三输入单元，被配置成将所述分割特征和所述边缘特征输入到所述图像分割模型的合并层中，得到所述待分割图像的最终分割结果。

7.根据权利要求6所述的装置，其中，所述第一输出结果还包括所述待分割图像的分割结果，所述第二输出结果还包括所述待分割图像的边缘分割结果。

8.根据权利要求6所述的装置，其中，所述图像分割模型的模型训练步骤如下：

获取样本集，其中，样本包括样本图像和所述样本图像对应的样本最终分割结果；

针对所述样本集中的样本，执行以下训练步骤：将样本的样本图像输入到初始模型的第一特征提取层中，得到样本的包括多尺度卷积特征和分割特征的第一输出结果；将样本的多尺度卷积特征输入初始模型的第二特征提取层中，得到样本的包括边缘特征的第二输出结果；将样本的分割特征和样本的边缘特征输入初始模型的合并层中，得到样本的最终分割结果；基于样本的最终分割结果和对应的样本最终分割结果，确定样本的总损失值；将样本的总损失值与目标值进行比较，根据比较结果确定初始模型是否训练完成；响应于确定出所述初始模型训练完成，将所述初始模型确定为图像分割模型。

9.根据权利要求8所述的装置，其中，样本的第一输出结果还包括分割结果，样本的第二输出结果还包括边缘分割结果；以及

所述基于样本的最终分割结果和样本最终分割结果，确定样本的总损失值，包括：

将样本的分割结果与对应的样本最终分割结果进行分析，确定分割结果损失值；将样本的边缘分割结果与对应的样本边缘分割结果进行分析，确定边缘分割结果损失值，其中，所述样本边缘分割结果是基于所述样本最终分割结果所确定出的；将样本的最终分割结果与对应的样本最终分割结果进行分析，确定最终分割结果损失值；根据预设的分割结果权重、边缘分割结果权重和最终分割结果权重，将样本的分割结果损失值、边缘分割结果损失值和最终分割结果损失值的加权结果确定为样本的总损失值。

10.根据权利要求8或9所述的装置，其中，所述图像分割模型的模型训练步骤还包括：

响应于确定出初始模型未训练完成，调整初始模型的相关参数，使用调整后的初始模型作为初始模型，继续执行所述训练步骤。

11.一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。

12.一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-5中任一所述的方法。

Images