CN112070163B - 图像分割模型训练和图像分割方法、装置、设备 - Google Patents
图像分割模型训练和图像分割方法、装置、设备 Download PDFInfo
- Publication number
- CN112070163B CN112070163B CN202010939651.2A CN202010939651A CN112070163B CN 112070163 B CN112070163 B CN 112070163B CN 202010939651 A CN202010939651 A CN 202010939651A CN 112070163 B CN112070163 B CN 112070163B
- Authority
- CN
- China
- Prior art keywords
- trained
- model
- image segmentation
- image
- segmentation model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003709 image segmentation Methods 0.000 title claims abstract description 254
- 238000012549 training Methods 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 67
- 230000011218 segmentation Effects 0.000 claims abstract description 152
- 230000004044 response Effects 0.000 claims abstract description 48
- 238000004590 computer program Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本公开的实施例公开了图像分割模型训练方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：使用第一分割结果集和第二分割结果集，训练判别模型，得到训练后的判别模型；将第二图像集中的每个图像输入到上述待训练图像分割模型中生成分割结果，得到分割结果集；将上述分割结果集中每个分割结果输入到上述训练后的判别模型中生成判别结果，得到判别结果集；响应于确定上述待训练图像分割模型未训练完成，基于上述判别结果集，调整上述待训练图像分割模型中的参数。该实施方式通过使待训练图像分割模型的输出接近预训练图像分割模型的输出，使待训练图像分割模型结构简单时也不易产生过拟合问题，从而保证了模型输出结果的质量。
Description
技术领域
本公开的实施例涉及计算机技术领域，具体涉及图像分割模型训练方法、装置、设备和计算机可读介质。
背景技术
在一些图像处理任务中，往往需要进行图像分割。在实现本申请的过程中，发明人发现相关的上述图像分割技术至少存在以下缺陷：由于结构简单的模型输出结果的质量不高，为了提高分割的准确率，通常需要使用结构复杂的模型。而使用结构复杂的模型导致图像分割的效率很低，尤其是在硬件配置难以支持复杂模型的移动端，该问题尤为显著与迫切。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了图像分割模型训练方法、装置、设备和计算机可读介质。
第一方面，本公开的一些实施例提供了一种图像分割模型训练方法，该方法包括：使用第一分割结果集和第二分割结果集，训练判别模型，得到训练后的判别模型；其中，上述第一分割结果集是待训练图像分割模型基于第一图像集的分割结果集，上述第二分割结果集是预训练图像分割模型基于上述第一图像集的分割结果集；将第二图像集中的每个图像输入到上述待训练图像分割模型中生成分割结果，得到分割结果集；将上述分割结果集中每个分割结果输入到上述训练后的判别模型中生成判别结果，得到判别结果集；响应于确定上述待训练图像分割模型未训练完成，基于上述判别结果集，调整上述待训练图像分割模型中的参数。
第二方面，本公开的一些实施例提供了一种图像分割方法，该方法包括：将待处理图像输入图像分割模型，得到分割图像，其中，上述图像分割模型是通过上述图像分割模型训练方法生成的。
第三方面，本公开的一些实施例提供了一种图像分割模型训练装置，装置包括：训练单元，被配置成使用第一分割结果集和第二分割结果集，训练判别模型，得到训练后的判别模型；其中，上述第一分割结果集是待训练图像分割模型基于第一图像集的分割结果集，上述第二分割结果集是预训练图像分割模型基于上述第一图像集的分割结果集；第一生成单元，被配置成将第二图像集中的每个图像输入到上述待训练图像分割模型中生成分割结果，得到分割结果集；第二生成单元，被配置成将上述分割结果集中每个分割结果输入到上述训练后的判别模型中生成判别结果，得到判别结果集；调整单元，被配置成响应于确定上述待训练图像分割模型未训练完成，基于上述判别结果集，调整上述待训练图像分割模型中的参数。
第四方面，本公开的一些实施例提供了一种图像分割装置，装置包括：输入单元，被配置成将待处理图像输入图像分割模型，得到分割图像，其中，上述图像分割模型是通过上述图像分割模型训练装置生成的。
第五方面，本公开的一些实施例提供了一种电子设备，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，当一个或多个程序被一个或多个处理器执行，使得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。
第六方面，本公开的一些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，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。
本公开的上述各个实施例中的一个实施例具有如下有益效果：通过本公开的一些实施例的模型训练方法得到的图像分割模型同时具有图像分割效率高和图像分割质量好的优点。具体来说，发明人发现，造成图像分割模型不能同时保证效率高和质量好的原因在于：结构简单的模型在训练时容易过拟合。基于此，本公开的一些实施例的模型训练方法提出：通过使结构简单的简单图像分割模型的输出接近结构复杂的复杂图像分割模型的输出的方式，来训练上述简单图像分割模型。为了实现上述方式，该方案引入了预训练的判别模型，该判别模型用于判别上述结构简单的模型的输出是否接近结构复杂的模型的输出。如果判断结果为“否”，则进一步调整结构简单的模型中的参数，直到判断结果为“是”。通过使用判别模型使简单图像分割模型的输出接近复杂图像分割模型的输出，避免了直接使用训练样本训练简单图像分割模型时容易产生的过拟合问题，从而可以同时保证模型的高效率和高质量。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1是本公开的一些实施例的图像分割模型训练方法的一个应用场景的示意图；
图2是本公开的一些实施例的图像分割方法的一个应用场景的示意图；
图3是根据本公开的图像分割模型训练方法的一些实施例的流程图；
图4是根据本公开的图像分割方法的一些实施例的流程图；
图5是根据本公开的图像分割模型训练方法的另一些实施例的流程图；
图6是根据本公开的图像分割模型训练装置的一些实施例的结构示意图；
图7是根据本公开的图像分割装置的一些实施例的结构示意图；
图8是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
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。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。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的一些实施例的图像分割模型训练方法的一个应用场景的示意图。
在图1所示的应用场景中，首先，计算设备101可以使用第一分割结果集102和第二分割结果集103，训练判别模型104，得到训练后的判别模型105。其中，上述第一分割结果集102是待训练图像分割模型107基于第一图像集的分割结果集，上述第二分割结果集103是预训练图像分割模型基于上述第一图像集的分割结果集。在本应用场景中，上述第一分割结果集合中的每个分割结果是用概率图进行表示的。其中，上述概率图中的每个概率值表示对应像素点为目标类别的概率。之后，将第二图像集106中的每个图像输入到上述待训练图像分割模型107中生成分割结果，得到分割结果集108。之后，将上述分割结果集108中每个分割结果输入到上述训练后的判别模型105中生成判别结果，得到判别结果集109。在本应用场景中，上述判别结果集中包括表征上述判别模型的输入为上述待训练图像分割模型的分割结果的概率。例如，上述判别结果集109中的“0.6”表示上述分割结果集108中第二个分割结果为上述待训练图像分割模型的分割结果的概率为0.6。最后，响应于确定上述待训练图像分割模型107未训练完成，基于上述判别结果集109，调整上述待训练图像分割模型107中的参数。
需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或电子设备组成的分布式集群，也可以实现成单个服务器或单个电子设备。当计算设备体现为软件时，可以实现成例如用来提供分布式服务的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。
应该理解，图1中的计算设备101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计算设备101。
进一步参考图2，图2示出了可以应用本公开的一些实施例的图像分割方法的一个应用场景的示意图。
在图2所示的应用场景中，首先，计算设备201可以将待处理图像202输入图像分割模型203，得到分割图像204，其中，上述图像分割模型203是通过图1所示应用场景中的图像分割模型训练方法生成的。
需要说明的是，上述计算设备201可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或电子设备组成的分布式集群，也可以实现成单个服务器或单个电子设备。当计算设备体现为软件时，可以实现成例如用来提供分布式服务的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。
应该理解，图2中的计算设备201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计算设备201。
继续参考图3，示出了根据本公开的图像分割模型训练方法的一些实施例的流程300。该图像分割模型训练方法，包括以下步骤：
步骤301，使用第一分割结果集和第二分割结果集，训练判别模型，得到训练后的判别模型，其中，上述第一分割结果集是将第一图像集输入待训练图像分割模型得到的，上述第二分割结果集是将第一图像集输入预训练图像分割模型得到的。
在一些实施例中，上述判别模型是用于确定输入信息的来源的模型。例如，上述判别模型可以用于判断输入信息为上述待训练图像分割模型的输出还是上述预训练图像分割模型的输出。
在一些实施例中，上述执行主体可以通过以下步骤训练得到上述判别模型：
步骤一，将分割结果输入待训练判别模型，输出对上述分割结果的来源进行预测的预测信息，其中，上述分割结果包括第一分割结果或第二分割结果中的至少一项。
在一些实施例中，上述待训练判别模型可以是任意可以进行二分类的模型。例如，线性回归模型、k近邻模型、支持向量机模型等。
在一些实施例中，上述预测信息可以包括正向预测信息和负向预测信息，其中，上述正向预测信息用于表征上述待训练判别模型的输入为上述预训练图像分割模型的分割结果。负向预测信息用于表征上述待训练判别模型的输入为上述待训练图像分割模型的分割结果。例如，上述正向预测信息和上述负向预测信息可以分别是“1”和“0”。其中，“1”表示上述分割结果为上述预训练图像分割模型的输出，“0”表示上述分割结果为上述待训练图像分割模型的输出。
步骤二，对上述预测信息与表征上述分割结果来源的来源信息进行分析，得到上述待训练判别模型的损失值。
在一些实施例中，上述来源信息可以是任意形式的信息。例如，上述来源信息可以为“0”或“1”中的至少一项。其中，“0”表征上述分割结果的来源为待训练图像分割模型。“1”表征上述分割结果的来源为预训练图像分割模型。再如，上述来源信息还可以为“-1”或“1”中的至少一项。其中，“-1”表征上述分割结果的来源为待训练图像分割模型。“1”表征上述分割结果的来源为预训练图像分割模型。
在一些实施例中，对上述预测信息与上述来源信息进行分析，可以是首先将上述预测信息和上述来源信息转化为相同的形式。例如，在上述预测信息为“1”或“0”，以及，上述来源信息为“-1”或“1”的基础上，可以将上述来源信息中为“-1”的来源信息转化为“0”，为“1”的来源信息保持不变。之后，根据实际需要，上述损失值可以是根据任意表达式确定的损失值。例如，上述损失值可以是上述预测信息表征的数值与上述来源信息表征的数值之差。再如，上述损失值还可以是上述预测信息表征的数值与上述来源信息表征的数值之差的对数。
步骤三，将上述损失值与目标值进行比较，根据比较结果确定上述待训练判别模型是否训练完成。
在一些实施例中，根据实际需要，上述目标值可以是任意值。
在一些实施例中，上述执行主体可以响应于上述损失值大于上述目标值，确定上述待训练图像分割模型未训练完成。响应于上述损失值小于上述目标值，确定上述待训练图像分割模型训练完成。
步骤四，响应于确定上述待训练判别模型未训练完成，调整上述待训练判别模型中的参数。
步骤五，响应于确定上述待训练判别模型训练完成，将上述待训练图像分割模型确定为上述判别模型。
在一些实施例中，上述第一图像集中的图像可以是任意图像。例如，模型训练方法的执行主体中存储的图像。再如，网络中公开的图像。
在一些实施例中，根据实际需要，上述待训练图像分割模型可以是将输入的图像进行分割的任意模型。例如，FCN网络（Fully Convolutional Networks，全卷积网络），SegNet网络（Semantic Segmentation Network，图像语义分割网络），DeepLab语音分割网络，PSPNet网络（Pyramid Scene Parsing Network，语义分割网络），Mask-RCNN网络（Mask-Region-CNN，图像实例分割网络）。在此基础上，根据实际需要，上述第一分割结果集中的分割结果可以是表征输入图像中的每个像素点为目标类别的分割结果。例如，在上述第一图像集中的图像为显示有人脸图像的基础上，上述第一分割结果集中的分割结果可以包括：输入图像中每个像素点为人脸像素点的概率构成的概率图和输入图像中每个像素点为非人脸像素点的概率构成的概率图。
在一些实施例中，根据实际需要，上述预训练图像分割模型也可以是将输入的图像进行分割的任意模型。例如，FCN网络（Fully Convolutional Networks，全卷积网络），SegNet网络（Semantic Segmentation Network，图像语义分割网络），DeepLab语音分割网络，PSPNet网络（Pyramid Scene Parsing Network，语义分割网络），Mask-RCNN网络（Mask-Region-CNN，图像实例分割网络）。在此基础上，根据实际需要，上述第二分割结果集中的分割结果可以是表征输入图像中的每个像素点为目标类别的分割结果。例如，在上述第一图像集中的图像为显示有人脸图像的基础上，上述第二分割结果集中的分割结果可以包括：输入图像中每个像素点为人脸像素点的概率构成的概率图和输入图像中每个像素点为非人脸像素点的概率构成的概率图。
步骤302，将第二图像集中的每个图像输入到上述待训练图像分割模型中生成分割结果，得到分割结果集。
在一些实施例中，上述第二图像集可以是任意图像。例如，模型训练方法的执行主体中存储的图像。再如，网络中公开的图像。
步骤303，将上述分割结果集中每个分割结果输入到上述训练后的判别模型中生成判别结果，得到判别结果集。
在一些实施例中，上述判别结果集中的每个判别结果可以是任意形式的对上述分割结果集中对应的分割结果进行预测的信息。例如，上述判别结果集中的每个判别结果可以是“0”或“1”中的至少一项，其中“0”表示上述分割结果为上述待训练图像分割模型的输出，“1”表示上述分割结果为上述预训练图像分割模型的输出。
步骤304，响应于确定上述待训练图像分割模型未训练完成，基于上述判别结果集，调整上述待训练图像分割模型中的参数。
在一些实施例中，上述执行主体可以响应于对上述待训练图像分割模型的训练时间未超过预设时间阈值，基于上述判别结果集，调整上述待训练图像分割模型中的参数。
在一些实施例的一些可选的实现方式中，上述执行主体还可以响应于对上述待训练图像分割模型的调整次数小于预设调整次数阈值，基于上述判别结果集，调整上述待训练图像分割模型中的参数。作为比较，设定时间阈值的实施例极有可能在某次训练进行到中途就达到了时间阈值，导致此次训练已完成的工作作废而浪费了计算资源。采用这些实现方式的实施例，则能够使整个训练过程在某次训练完成后才结束，从而避免了计算资源的浪费。
在一些实施例的一些可选的实现方式中，上述判别结果包括正向判别结果和负向判别结果，其中，上述正向判别结果用于表征上述判别模型的输入为上述预训练图像分割模型的分割结果，上述负向判别结果用于表征上述判别模型的输入为上述待训练图像分割模型的分割结果。在此基础上，上述执行主体可以响应于上述判别结果集中上述负向判别结果的个数大于预设个数阈值，基于上述判别结果集，调整上述待训练图像分割模型中的参数。采用这些实现方式的实施例通过设置正向判别结果和负向判别结果使模型训练的程度可以精确的量化。另外，采用这些实现方式的实施例通过对判别结果进行分析，确定是否完成训练，从而使训练过程在模型训练充分时及时停止。既保证了模型的充分训练，又避免了浪费不必要的计算资源。
在一些实施例中，上述执行主体可以首先基于上述判别结果集确定损失值。例如，可以将上述判别结果中负向判别结果的个数确定为上述损失值。再如，还可以将上述判别结果中负向判别结果的占比确定为上述损失值。之后，根据上述损失值调整上述待训练图像分割模型的参数。例如，可以通过梯度下降算法，根据上述损失值调整上述待训练图像分割模型的参数。
本公开的一些实施例提供的方法通过使用判别模型使待训练图像分割模型的输出接近预训练图像分割模型的输出，使待训练图像分割模型结构简单时也不易产生过拟合问题，从而可以保证模型输出结果的质量。例如，由于移动设备的性能受到硬件的限制，难以支持结构庞大复杂的模型，因此一般采用结构简单的模型。然而，这些结构简单的模型训练时容易过拟合，导致输出结果的质量不能得到保证。在此基础上，该实施例提供的方案能够在满足移动端对模型运行时限要求的同时使模型在训练时不易过拟合，从而保证模型运行结果的质量。
继续参考图4，示出了根据本公开的图像分割方法的一些实施例的流程400。该图像分割方法，包括以下步骤：
步骤401，将待处理图像输入图像分割模型，得到分割图像，其中，上述图像分割模型是通过本公开任意实施例中的图像分割模型训练方法生成的。
进一步参考图5，其示出了图像分割模型训练方法的另一些实施例的流程500。该图像分割模型训练方法的流程500，包括以下步骤：
步骤501，使用第一分割结果集和第二分割结果集，训练判别模型，得到训练后的判别模型，其中，上述第一分割结果集是将第一图像集输入待训练图像分割模型得到的，上述第二分割结果集是将第一图像集输入预训练图像分割模型得到的。
步骤502，将第二图像集中的每个图像输入到上述待训练图像分割模型中生成分割结果，得到分割结果集。
步骤503，将上述分割结果集中每个分割结果输入到上述训练后的判别模型中生成判别结果，得到判别结果集。
在一些实施例中，步骤501-503的具体实现及其所带来的技术效果，可以参考图3对应的实施例中的步骤301-303，在此不再赘述。
步骤504，响应于对上述待训练图像分割模型中参数的调整次数小于预设调整次数阈值，基于上述判别结果集，调整上述待训练图像分割模型中的参数。
在一些实施例中，上述执行主体可以首先基于上述判断结果集确定损失值。之后，根据上述损失值调整上述待训练图像分割模型的参数。例如，可以将上述判别结果中负向判别结果的个数确定为上述损失值。再如，还可以将上述判别结果中负向判别结果的占比确定为上述损失值。
步骤505，响应于对上述待训练图像分割模型中参数的调整次数大于或等于预设调整次数阈值，将上述待训练图像分割模型确定为目标图像分割模型。
从图5中可以看出，与图3对应的一些实施例的描述相比，图5对应的一些实施例中的图像分割模型训练方法的流程500体现了基于上述待训练模型的调整次数确定待训练图像分割模型是否训练完成和确定上述待训练图像分割模型训练完成的步骤。由此，这些实施例描述的方案可以使上述待训练图像分割模型根据实际需要灵活调整训练程度。以及，通过及时确定上述待训练图像分割模型训练完成节省了计算资源。
进一步参考图6，作为对上述各图所示方法的实现，本公开提供了一种图像分割模型训练装置的一些实施例，这些装置实施例与图3所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图6所示，一些实施例的图像分割模型训练装置600包括：训练单元601、第一生成单元602、第二生成单元603和调整单元604。其中，训练单元601，被配置成使用第一分割结果集和第二分割结果集，训练判别模型，得到训练后的判别模型，其中，上述第一分割结果集是将第一图像集输入待训练图像分割模型得到的，上述第二分割结果集是将第一图像集输入预训练图像分割模型得到的；第一生成单元602，被配置成将第二图像集中的每个图像输入到上述待训练图像分割模型中生成分割结果，得到分割结果集；第二生成单元603，被配置成将上述分割结果集中每个分割结果输入到上述训练后的判别模型中生成判别结果，得到判别结果集；调整单元604，被配置成响应于确定上述待训练图像分割模型未训练完成，基于上述判别结果集，调整上述待训练图像分割模型中的参数。
在一些实施例的可选实现方式中，装置600还包括：确定单元（图中未示出），被配置成响应于确定上述待训练图像分割模型训练完成，将上述待训练图像分割模型确定为目标图像分割模型。
在一些实施例的可选实现方式中，调整单元604进一步被配置成：响应于对上述待训练图像分割模型中参数的调整次数小于预设调整次数阈值，基于上述判别结果集，调整上述待训练图像分割模型中的参数。
在一些实施例的可选实现方式中，判别结果包括正向判别结果和负向判别结果，其中，上述正向判别结果用于表征上述判别模型的输入为上述预训练图像分割模型的分割结果，上述负向判别结果用于表征上述判别模型的输入为上述待训练图像分割模型的分割结果；以及调整单元604进一步被配置成：响应于上述判别结果集中上述负向判别结果的个数大于预设个数阈值，基于上述判别结果集，调整上述待训练图像分割模型中的参数。
在一些实施例的可选实现方式中，确定单元（图中未示出）进一步被配置成：响应于对上述待训练图像分割模型中参数的调整次数大于或等于预设调整次数阈值，将上述待训练图像分割模型确定为目标图像分割模型。
在一些实施例的可选实现方式中，确定单元（图中未示出）进一步被配置成：响应于上述判别结果集中为上述正向判别结果的个数大于或等于上述预设个数阈值，将上述待训练图像分割模型确定为目标图像分割模型。
可以理解的是，该装置600中记载的诸单元与参考图3描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置600及其中包含的单元，在此不再赘述。
进一步参考图7，作为对上述各图所示方法的实现，本公开提供了一种图像分割装置的一些实施例，这些装置实施例与图4所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中
如图7所示，一些实施例的图像分割模型训练装置700包括：输入单元701，被配置成将待处理图像输入图像分割模型，得到分割图像，其中，上述图像分割模型是通过本公开任意实施例中的图像分割模型训练方法生成的。
下面参考图8，其示出了适于用来实现本公开的一些实施例的电子设备（例如图1中的服务器或终端设备）800的结构示意图。本公开的一些实施例中的电子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8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8所示，电子设备800可以包括处理装置（例如中央处理器、图形处理器等）801，其可以根据存储在只读存储器（ROM）802中的程序或者从存储装置808加载到随机访问存储器（RAM）803中的程序而执行各种适当的动作和处理。在RAM 803中，还存储有电子设备800操作所需的各种程序和数据。处理装置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。
通常，以下装置可以连接至I/O接口805：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806；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置807；包括例如磁带、硬盘等的存储装置808；以及通信装置809。通信装置809可以允许电子设备800与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备800，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8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，根据本公开的一些实施例，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，本公开的一些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。在这样的一些实施例中，该计算机程序可以通过通信装置809从网络上被下载和安装，或者从存储装置808被安装，或者从ROM 802被安装。在该计算机程序被处理装置801执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些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。在本公开的一些实施例中，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。而在本公开的一些实施例中，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。
在一些实施方式中，客户端、服务器可以利用诸如HTTP（HyperText TransferProtocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“LAN”），广域网（“WAN”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。
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：使用第一分割结果集和第二分割结果集，训练判别模型，得到训练后的判别模型，其中，上述第一分割结果集是将第一图像集输入待训练图像分割模型得到的，上述第二分割结果集是将第一图像集输入预训练图像分割模型得到的；将第二图像集中的每个图像输入到上述待训练图像分割模型中生成分割结果，得到分割结果集；将上述分割结果集中每个分割结果输入到上述训练后的判别模型中生成判别结果，得到判别结果集；响应于确定上述待训练图像分割模型未训练完成，基于上述判别结果集，调整上述待训练图像分割模型中的参数。
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一些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。
描述于本公开的一些实施例中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：一种处理器包括训练单元、第一生成单元、第二生成单元和调整单元。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，训练单元还可以被描述为“训练判别模型的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等等。
根据本公开的一个或多个实施例，提供了一种图像分割模型训练方法，包括：使用第一分割结果集和第二分割结果集，训练判别模型，得到训练后的判别模型，其中，上述第一分割结果集是将第一图像集输入待训练图像分割模型得到的，上述第二分割结果集是将第一图像集输入预训练图像分割模型得到的；将第二图像集中的每个图像输入到上述待训练图像分割模型中生成分割结果，得到分割结果集；将上述分割结果集中每个分割结果输入到上述训练后的判别模型中生成判别结果，得到判别结果集；响应于确定上述待训练图像分割模型未训练完成，基于上述判别结果集，调整上述待训练图像分割模型中的参数。
根据本公开的一个或多个实施例，方法还包括：响应于确定上述待训练图像分割模型训练完成，将上述待训练图像分割模型确定为目标图像分割模型。
根据本公开的一个或多个实施例，响应于确定上述待训练图像分割模型未训练完成，基于上述判别结果集，调整上述待训练图像分割模型中的参数，包括：响应于对上述待训练图像分割模型中参数的调整次数小于预设调整次数阈值，基于上述判别结果集，调整上述待训练图像分割模型中的参数。
根据本公开的一个或多个实施例，判别结果包括正向判别结果和负向判别结果，其中，上述正向判别结果用于表征上述判别模型的输入为上述预训练图像分割模型的分割结果，上述负向判别结果用于表征上述判别模型的输入为上述待训练图像分割模型的分割结果；以及上述响应于确定上述待训练图像分割模型未训练完成，基于上述判别结果集，调整上述待训练图像分割模型中的参数，包括：响应于上述判别结果集中上述负向判别结果的个数大于预设个数阈值，基于上述判别结果集，调整上述待训练图像分割模型中的参数。
根据本公开的一个或多个实施例，响应于确定上述待训练图像分割模型训练完成，将上述待训练图像分割模型确定为目标图像分割模型，包括：响应于对上述待训练图像分割模型中参数的调整次数大于或等于预设调整次数阈值，将上述待训练图像分割模型确定为目标图像分割模型。
根据本公开的一个或多个实施例，响应于确定上述待训练图像分割模型训练完成，将上述待训练图像分割模型确定为目标图像分割模型，包括：响应于上述判别结果集中为上述正向判别结果的个数大于或等于上述预设个数阈值，将上述待训练图像分割模型确定为目标图像分割模型。
根据本公开的一个或多个实施例，提供了一种图像分割模型训练方法，包括：将待处理图像输入图像分割模型，得到分割图像，其中，上述图像分割模型是通过上述图像分割模型训练装置生成的。
根据本公开的一个或多个实施例，提供了一种图像分割模型训练装置，包括：训练单元，被配置成使用第一分割结果集和第二分割结果集，训练判别模型，得到训练后的判别模型，其中，上述第一分割结果集是将第一图像集输入待训练图像分割模型得到的，上述第二分割结果集是将第一图像集输入预训练图像分割模型得到的；第一生成单元，被配置成将第二图像集中的每个图像输入到上述待训练图像分割模型中生成分割结果，得到分割结果集；第二生成单元，被配置成将上述分割结果集中每个分割结果输入到上述训练后的判别模型中生成判别结果，得到判别结果集；调整单元，被配置成响应于确定上述待训练图像分割模型未训练完成，基于上述判别结果集，调整上述待训练图像分割模型中的参数。
根据本公开的一个或多个实施例，装置还包括：确定单元，被配置成响应于确定上述待训练图像分割模型训练完成，将上述待训练图像分割模型确定为目标图像分割模型。
根据本公开的一个或多个实施例，调整单元进一步被配置成：响应于对上述待训练图像分割模型中参数的调整次数小于预设调整次数阈值，基于上述判别结果集，调整上述待训练图像分割模型中的参数。
根据本公开的一个或多个实施例，判别结果包括正向判别结果和负向判别结果，其中，上述正向判别结果用于表征上述判别模型的输入为上述预训练图像分割模型的分割结果，上述负向判别结果用于表征上述判别模型的输入为上述待训练图像分割模型的分割结果；以及调整单元进一步被配置成：响应于上述判别结果集中上述负向判别结果的个数大于预设个数阈值，基于上述判别结果集，调整上述待训练图像分割模型中的参数。
根据本公开的一个或多个实施例，确定单元进一步被配置成：响应于对上述待训练图像分割模型中参数的调整次数大于或等于预设调整次数阈值，将上述待训练图像分割模型确定为目标图像分割模型。
根据本公开的一个或多个实施例，确定单元进一步被配置成：响应于上述判别结果集中为上述正向判别结果的个数大于或等于上述预设个数阈值，将上述待训练图像分割模型确定为目标图像分割模型。
根据本公开的一个或多个实施例，提供了一种图像分割模型训练装置，包括：输入单元，被配置成将待处理图像输入图像分割模型，得到分割图像，其中，上述图像分割模型是通过上述图像分割模型训练装置生成的。
根据本公开的一个或多个实施例，提供了一种电子设备，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，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上述任一的方法。
根据本公开的一个或多个实施例，提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如上述任一的方法。
以上描述仅为本公开的一些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 (10)
1.一种图像分割模型训练方法，包括：
使用第一分割结果集和第二分割结果集，训练判别模型，得到训练后的判别模型，其中，所述第一分割结果集是将第一图像集输入待训练图像分割模型得到的，所述第二分割结果集是将第一图像集输入预训练图像分割模型得到的；
将第二图像集中的每个图像输入到所述待训练图像分割模型中生成分割结果，得到分割结果集；
将所述分割结果集中每个分割结果输入到所述训练后的判别模型中生成判别结果，得到判别结果集；
响应于确定所述待训练图像分割模型未训练完成，基于所述判别结果集，调整所述待训练图像分割模型中的参数；
所述判别结果包括正向判别结果和负向判别结果，其中，所述正向判别结果用于表征所述判别模型的输入为所述预训练图像分割模型的分割结果，所述负向判别结果用于表征所述判别模型的输入为所述待训练图像分割模型的分割结果；以及
所述响应于确定所述待训练图像分割模型未训练完成，基于所述判别结果集，调整所述待训练图像分割模型中的参数，包括：
响应于所述判别结果集中所述负向判别结果的个数大于预设个数阈值，基于所述判别结果集，调整所述待训练图像分割模型中的参数。
2.根据权利要求1所述的方法，其中，所述方法还包括：
响应于确定所述待训练图像分割模型训练完成，将所述待训练图像分割模型确定为目标图像分割模型。
3.根据权利要求1所述的方法，其中，所述响应于确定所述待训练图像分割模型未训练完成，基于所述判别结果集，调整所述待训练图像分割模型中的参数，包括：
响应于对所述待训练图像分割模型中参数的调整次数小于预设调整次数阈值，基于所述判别结果集，调整所述待训练图像分割模型中的参数。
4.根据权利要求2所述的方法，其中，所述响应于确定所述待训练图像分割模型训练完成，将所述待训练图像分割模型确定为目标图像分割模型，包括：
响应于对所述待训练图像分割模型中参数的调整次数大于或等于预设调整次数阈值，将所述待训练图像分割模型确定为目标图像分割模型。
5.根据权利要求1所述的方法，其中，所述响应于确定所述待训练图像分割模型训练完成，将所述待训练图像分割模型确定为目标图像分割模型，包括：
响应于所述判别结果集中为所述正向判别结果的个数大于或等于所述预设个数阈值，将所述待训练图像分割模型确定为目标图像分割模型。
6.一种图像分割方法，包括：
将待处理图像输入图像分割模型，得到分割图像，其中，所述图像分割模型是通过权利要求1-5之一所述的方法生成的。
7.一种图像分割模型训练装置，包括：
训练单元，被配置成使用第一分割结果集和第二分割结果集，训练判别模型，得到训练后的判别模型；其中，所述第一分割结果集是待训练图像分割模型基于第一图像集的分割结果集，所述第二分割结果集是预训练图像分割模型基于所述第一图像集的分割结果集；
第一生成单元，被配置成将第二图像集中的每个图像输入到所述待训练图像分割模型中生成分割结果，得到分割结果集；
第二生成单元，被配置成将所述分割结果集中每个分割结果输入到所述训练后的判别模型中生成判别结果，得到判别结果集；
调整单元，被配置成响应于确定所述待训练图像分割模型未训练完成，基于所述判别结果集，调整所述待训练图像分割模型中的参数；
所述判别结果包括正向判别结果和负向判别结果，其中，所述正向判别结果用于表征所述判别模型的输入为所述预训练图像分割模型的分割结果，所述负向判别结果用于表征所述判别模型的输入为所述待训练图像分割模型的分割结果；以及
所述响应于确定所述待训练图像分割模型未训练完成，基于所述判别结果集，调整所述待训练图像分割模型中的参数，包括：
响应于所述判别结果集中所述负向判别结果的个数大于预设个数阈值，基于所述判别结果集，调整所述待训练图像分割模型中的参数。
8.一种图像分割装置，包括：
输入单元，被配置成将待处理图像输入图像分割模型，得到分割图像，其中，所述图像分割模型是通过权利要求1-5之一所述的方法生成的。
9.一种电子设备，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中任一或权利要求6所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-5中任一或权利要求6所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010939651.2A CN112070163B (zh) | 2020-09-09 | 2020-09-09 | 图像分割模型训练和图像分割方法、装置、设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010939651.2A CN112070163B (zh) | 2020-09-09 | 2020-09-09 | 图像分割模型训练和图像分割方法、装置、设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112070163A CN112070163A (zh) | 2020-12-11 |
| CN112070163B true CN112070163B (zh) | 2023-11-24 |
Family
ID=73662973
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010939651.2A Active CN112070163B (zh) | 2020-09-09 | 2020-09-09 | 图像分割模型训练和图像分割方法、装置、设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112070163B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110059740A (zh) * | 2019-04-12 | 2019-07-26 | 杭州电子科技大学 | 一种针对嵌入式移动端的深度学习语义分割模型压缩方法 |
| CN110148142A (zh) * | 2019-05-27 | 2019-08-20 | 腾讯科技（深圳）有限公司 | 图像分割模型的训练方法、装置、设备和存储介质 |
| CN111046738A (zh) * | 2019-11-14 | 2020-04-21 | 五邑大学 | 针对指静脉分割的轻量化u-net的精度提升方法 |
| CN111489365A (zh) * | 2020-04-10 | 2020-08-04 | 上海商汤临港智能科技有限公司 | 神经网络的训练方法、图像处理方法及装置 |
| CN111553333A (zh) * | 2020-07-10 | 2020-08-18 | 支付宝(杭州)信息技术有限公司 | 人脸图像识别模型训练方法、识别方法、装置和电子设备 |
| CN111563910A (zh) * | 2020-05-13 | 2020-08-21 | 上海鹰瞳医疗科技有限公司 | 眼底图像分割方法及设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10753997B2 (en) * | 2017-08-10 | 2020-08-25 | Siemens Healthcare Gmbh | Image standardization using generative adversarial networks |
-
2020
- 2020-09-09 CN CN202010939651.2A patent/CN112070163B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110059740A (zh) * | 2019-04-12 | 2019-07-26 | 杭州电子科技大学 | 一种针对嵌入式移动端的深度学习语义分割模型压缩方法 |
| CN110148142A (zh) * | 2019-05-27 | 2019-08-20 | 腾讯科技（深圳）有限公司 | 图像分割模型的训练方法、装置、设备和存储介质 |
| CN111046738A (zh) * | 2019-11-14 | 2020-04-21 | 五邑大学 | 针对指静脉分割的轻量化u-net的精度提升方法 |
| CN111489365A (zh) * | 2020-04-10 | 2020-08-04 | 上海商汤临港智能科技有限公司 | 神经网络的训练方法、图像处理方法及装置 |
| CN111563910A (zh) * | 2020-05-13 | 2020-08-21 | 上海鹰瞳医疗科技有限公司 | 眼底图像分割方法及设备 |
| CN111553333A (zh) * | 2020-07-10 | 2020-08-18 | 支付宝(杭州)信息技术有限公司 | 人脸图像识别模型训练方法、识别方法、装置和电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112070163A (zh) | 2020-12-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112364860B (zh) | 字符识别模型的训练方法、装置和电子设备 | |
| CN110021052B (zh) | 用于生成眼底图像生成模型的方法和装置 | |
| WO2020207174A1 (zh) | 用于生成量化神经网络的方法和装置 | |
| CN111340220B (zh) | 用于训练预测模型的方法和装置 | |
| CN112650841A (zh) | 信息处理方法、装置和电子设备 | |
| CN111784712B (zh) | 图像处理方法、装置、设备和计算机可读介质 | |
| CN114964296B (zh) | 车辆行驶路径规划方法、装置、设备和计算机可读介质 | |
| CN116310582A (zh) | 分类模型训练方法、图像分类方法、装置、介质及设备 | |
| CN115205305A (zh) | 一种实例分割模型训练方法、实例分割方法及装置 | |
| CN111209432A (zh) | 信息获取的方法、装置、电子设备及计算机可读介质 | |
| CN112380883B (zh) | 模型训练方法、机器翻译方法、装置、设备及存储介质 | |
| CN117236805B (zh) | 电力设备控制方法、装置、电子设备和计算机可读介质 | |
| CN110009101B (zh) | 用于生成量化神经网络的方法和装置 | |
| CN112070163B (zh) | 图像分割模型训练和图像分割方法、装置、设备 | |
| WO2022105622A1 (zh) | 图像分割方法、装置、可读介质及电子设备 | |
| CN116072108A (zh) | 模型生成方法、语音识别方法、装置、介质及设备 | |
| CN111680754B (zh) | 图像分类方法、装置、电子设备及计算机可读存储介质 | |
| CN111754984B (zh) | 文本选取的方法、装置、设备和计算机可读介质 | |
| CN111898061B (zh) | 搜索网络的方法、装置、电子设备和计算机可读介质 | |
| CN114004229A (zh) | 文本识别方法、装置、可读介质及电子设备 | |
| CN110209851B (zh) | 模型训练方法、装置、电子设备及存储介质 | |
| CN112488947A (zh) | 模型训练和图像处理方法、装置、设备和计算机可读介质 | |
| CN111797263A (zh) | 图像标签生成方法、装置、设备和计算机可读介质 | |
| CN113361677A (zh) | 神经网络模型的量化方法和装置 | |
| CN111353585A (zh) | 神经网络模型的结构搜索方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information |
Address after: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Applicant after: Douyin Vision Co.,Ltd. Address before: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Applicant before: Tiktok vision (Beijing) Co.,Ltd. Address after: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Applicant after: Tiktok vision (Beijing) Co.,Ltd. Address before: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Applicant before: BEIJING BYTEDANCE NETWORK TECHNOLOGY Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |