CN113326851B - 图像特征提取方法、装置、电子设备及存储介质 - Google Patents
图像特征提取方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113326851B CN113326851B CN202110560452.5A CN202110560452A CN113326851B CN 113326851 B CN113326851 B CN 113326851B CN 202110560452 A CN202110560452 A CN 202110560452A CN 113326851 B CN113326851 B CN 113326851B
- Authority
- CN
- China
- Prior art keywords
- image
- adjusted
- sample
- matrix
- feature
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 208
- 238000012549 training Methods 0.000 claims abstract description 101
- 238000000034 method Methods 0.000 claims abstract description 43
- 239000011159 matrix material Substances 0.000 claims description 172
- 230000004927 fusion Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000002591 computed tomography Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000000621 bronchi Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000007917 intracranial administration Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种图像特征提取模型的训练方法、装置、设备及存储介质，其中，该方法包括：获取多组训练样本数据，其中，所述训练样本数据包括样本提取图像以及与所述样本提取图像对应的样本特征图像；基于多组训练样本数据，对预先建立的自注意力模型进行训练，生成图像特征提取模型；其中，所述自注意力模型用于学习所述样本提取图像中每个像素点与图像中所有像素点之间的依赖关系。上述技术方案在进行图像特征提取模型的训练时，借助自注意力模型，能够有效学习样本提取图像中每个像素点与图像中所有像素点之间的依赖关系，从而获取更加丰富的待分割图像全局上下文特征，提升图像特征提取模型的训练的准确率。
Description
技术领域
本发明实施例涉及图像处理技术领域，尤其涉及一种图像特征提取方法、装置、电子设备及存储介质。
背景技术
目前，图像处理技术作为从图像中获取有效信息的有效手段，在各种应用场景中被广泛应用。在很多场景下，会需要对图像进行特征提取来从丰富的图像信息中捕捉到关注信息。随着人工智能技术的快速发展，为提高图像处理效率，各种神经网络被应用于图像特征提取。
但是，传统的利用神经网络模型进行图像特征提取的方法，由于卷积核的感受野受限，会造成模型只能学习到图像之间的短距离依赖关系，而长距离捕获特征的能力差，从而影响图像特征提取的效果。
发明内容
本发明实施例提供了一种图像特征提取方法、装置、电子设备及存储介质，以实现提升长距离捕获特征的能力，提升模型图像特征提取的能力。
第一方面，本发明实施例提供了一种图像特征提取模型的训练方法，包括：
获取多组训练样本数据，其中，所述训练样本数据包括样本提取图像以及与所述样本提取图像对应的样本特征图像；
基于多组训练样本数据，对预先建立的自注意力模型进行训练，生成图像特征提取模型；
其中，所述自注意力模型用于学习所述样本提取图像中每个像素点与图像中所有像素点之间的依赖关系。
第二方面，本发明实施例还提供了一种图像特征提取模型的训练装置，包括：
样本获取模块，用于获取多组训练样本数据，其中，所述训练样本数据包括样本提取图像以及与所述样本提取图像对应的样本特征图像；
模型训练模块，用于基于多组训练样本数据，对预先建立的自注意力模型进行训练，生成图像特征提取模型；
其中，所述自注意力模型用于学习所述样本提取图像中每个像素点与图像中所有像素点之间的依赖关系。
第三方面，本发明实施例还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，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本发明任意实施例所提供的一种图像特征提取模型的训练方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本发明任意实施例所提供的一种图像特征提取模型的训练方法。
本发明实施例的技术方案，通过获取多组训练样本数据，其中，所述训练样本数据包括样本提取图像以及与所述样本提取图像对应的样本特征图像；基于多组训练样本数据，对预先建立的自注意力模型进行训练，生成图像特征提取模型；其中，所述自注意力模型用于学习所述样本提取图像中每个像素点与图像中所有像素点之间的依赖关系。上述技术方案在进行图像特征提取模型的训练时，借助自注意力模型，能够有效学习样本提取图像中每个像素点与图像中所有像素点之间的依赖关系，从而获取更加丰富的待分割图像全局上下文特征，提升图像特征提取模型的训练的准确率。
附图说明
为了更加清楚地说明本发明示例性实施例的技术方案，下面对描述实施例中所需要用到的附图做一简单介绍。显然，所介绍的附图只是本发明所要描述的一部分实施例的附图，而不是全部的附图，对于本领域普通技术人员，在不付出创造性劳动的前提下，还可以根据这些附图得到其他的附图。
图1为本发明实施例一所提供的一种图像特征提取模型的训练方法的流程示意图；
图2是为本发明实施例一所提供的一种图像特征提取模型的训练方法的流程示意图；
图3是为本发明实施例一所提供的一种自注意力模型的结构图；
图4是为本发明实施例一所提供的一种图像特征提取模型的训练装置的结构示意图；
图5是为本发明实施例一所提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明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本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1为本发明实施例一所提供的一种图像特征提取模型的训练方法的流程示意图，本实施例可适用于通过神经网络模型进行图像特征提取的情况，该方法可以由本发明实施例提供的图像特征提取模型的训练装置来执行，该装置可以通过软件和/或硬件来实现，可配置于终端和/或服务器中来实现本发明实施例中的图像特征提取模型的训练方法。
如图1所示，本实施例的方法具体可包括：
S110、获取多组训练样本数据，其中，所述训练样本数据包括样本提取图像以及与所述样本提取图像对应的样本特征图像。
在本发明实施例中，样本提取图像可以是能够被提取特征的图像，样本提取图像的类型和内容等在此并不做具体限定。可选地，样本提取图像包括医学图像等。典型地，医学图像具体可以是计算机断层(Computed Tomography，CT) 图像、核磁共振(MagneticResonance，MR)图像、正电子发射计算机断层显像 (Positron Emission Tomography，PET)图像等临床医学图像。示例性地，样本提取图像可以是多维颅内血管图像或肺部支气管图像等。
示例性地，样本提取图像可以是平面图像。平面图像可以是原始采集的平面图像。考虑到获取到的原始的样本提取图像可能是单维或者三维以上的立体图像的情况。当原始的样本提取图像为多维图像时，可以为原始的样本提取图像经过预处理得到样本提取图像的平面图像。例如，可以是将三维图像进行切片化分割得到的平面图像可选地，样本提取图像可以是灰度图像。样本特征图像是样本提取图像对应的特征图像，样本特征图像可以包括但不限于图像的颜色特征、纹理特征、形状特征和空间关系特征。
在本发明实施例中，训练样本数据可以是根据样本提取图像以及与样本提取图像对应的样本特征图像预先制作而成。其中，训练样本数据存储位置并不受限制，可以根据实际需求进行设置，需要时直接从相应的存储位置进行获取。 S120、基于多组训练样本数据，对预先建立的自注意力模型进行训练，生成图像特征提取模型；其中，所述自注意力模型用于学习所述样本提取图像中每个像素点与图像中所有像素点之间的依赖关系。
在本实施例中，图像特征提取模型可以预先通过大量的样本提取图像及与样本提取图像对应的样本特征图像对自注意力模型进行训练得到。在所训练的自注意力模型中，将学习样本提取图像中中每个像素点与图像中所有像素点之间的依赖关系，并对自注意力模型中的模型参数进行训练，并通过不断调整自注意力模型参数，使得模型的输出结果与样本提取图像对应的样本特征图像之间的偏差逐渐减小并趋于稳定，生成图像特征提取模型。
其中，自注意力模型的模型参数可以采用随机初始化原则，也可以根据经验采用固定值初始化原则，本实施例对此不做具体限定。通过对模型各节点的权重和偏置值进行初始化赋值，可提升模型的收敛速度和性能表现。
在本申请实施例的一个可选实施方式中，所述自注意力模型用于学习样本提取图像中每个像素点与图像中所有像素点之间的依赖关系。具体的，本实施例依赖关系是图像中不同位置之间的长距离关系，自注意力模型通过捕获样本提取图像中不同位置像素点与其他像素点之间的长距离关系，从而获得丰富的全局上下文特征，提升自注意力模型特征提取能力。
可选的，图像特征提取模型的训练方法，还包括：获取至少一张待提取图像特征的目标提取图像；将所述目标提取图像输入至预先训练完成的图像提取模型中，输出所述目标提取图像的目标特征图像。
在本实施例中，目标提取图像具体可以是任何可被特征提取的图像，目标提取图像包括目标分割区域和非目标分割区域。其中，目标分割区域可以是用户感兴趣区域。将目标提取图像，作为输入数据输入至预先训练完成的图像提取模型中；图像提取模型通过其中自注意力模型实现对目标提取图像的进行特征提取，得到与目标提取图像对应的目标特征图像，并作为输出数据从图像提取模型输出。
本发明实施例提供了一种图像特征提取模型的训练方法，通过获取多组训练样本数据，其中，所述训练样本数据包括样本提取图像以及与所述样本提取图像对应的样本特征图像；基于多组训练样本数据，对预先建立的自注意力模型进行训练，生成图像特征提取模型；其中，所述自注意力模型用于学习所述样本提取图像中每个像素点与图像中所有像素点之间的依赖关系。上述技术方案在进行图像特征提取模型的训练时，借助自注意力模型，能够有效学习样本提取图像中每个像素点与图像中所有像素点之间的依赖关系，从而获取更加丰富的待分割图像全局上下文特征，提升图像特征提取模型的训练的准确率。
实施例二
图2为本发明实施例二所提供的一种图像特征提取模型的训练方法的流程图，本实施例在本发明实施例中任一可选技术方案的基础上，可选地，所述基于多组训练样本数据，对预先建立的自注意力模型进行训练，包括：将所述样本提取图像输入至预先建立的自注意力模型中；基于所述样本提取图像进行线性变化得到所述自注意力模型的第一待调整参数矩阵、第二待调整参数矩阵和第三待调整参数矩阵；基于所述第一待调整参数矩阵和所述第二待调整参数矩阵确定与所述样本提取图像对应的相似度矩阵；基于所述第三待调整参数矩阵对所述相似度矩阵进行加权，得到加权特征图像；基于至少两张加权特征图像和所述样本特征图像确定输出特征图像。
如图2所示，本发明实施例的方法具体包括：
S210、获取多组训练样本数据，其中，所述训练样本数据包括样本提取图像以及与所述样本提取图像对应的样本特征图像。
S220、将所述样本提取图像输入至预先建立的自注意力模型中。
在本实施例中，预先建立的自注意力模型可以包含多种计算过程，如图3 所示，例如，计算相似度、缩放、归一化或特征融合等计算过程。具体的，将样本提取图像作为输入数据，输入至预先建立的自注意力模型中进行计算。其中，样本提取图像可以用R表示。
S230、基于所述样本提取图像进行线性变化得到所述自注意力模型的第一待调整参数矩阵、第二待调整参数矩阵和第三待调整参数矩阵。
在本实施例中，线性变化是利用直线方程对样本提取图像进行数据变换，得到自注意力模型的第一待调整参数矩阵、第二待调整参数矩阵和第三待调整参数矩阵。目的是让样本提取图像突出自己感兴趣的区域，方便后续的处理。
在本发明实施例的一个可选实施方式中，所述基于样本提取图像进行线性变化得到自注意力模型的第一待调整参数矩阵、第二待调整参数矩阵和第三待调整参数矩阵，可以包括：
q＝WqR
k＝WkR
v＝WvR
其中，R表示样本提取图像，q表示第一待调整参数矩阵，k表示第二待调整参数矩阵，v表示第三待调整参数矩阵，Wq表示与第一待调整参数矩阵对应的随机初始化的矩阵，Wk表示与第二待调整参数矩阵对应的随机初始化的矩阵， Wv表示与第三待调整参数矩阵对应的随机初始化的矩阵。本实施例自注意力模型通过对待调整参数矩阵进行随机初始化，可提升自注意力模型计算速度，并尽可能其收敛于全局最优。
S240、基于所述第一待调整参数矩阵和所述第二待调整参数矩阵确定与所述样本提取图像对应的相似度矩阵。
在本实施例中，通过样本提取图像的第一待调整参数矩阵和第二待调整参数矩阵计算得到相似度矩阵，其中，相似度矩阵是样本提取图像中每个位置与其他位置之间关系的矩阵。
在本发明实施例的一个可选实施方式中，所述基于第一待调整参数矩阵和所述第二待调整参数矩阵确定与所述样本提取图像对应的相似度矩阵，包括：将样本提取图像中每一个像素点逐个确定为目标像素点；针对每个目标像素点，基于第一待调整参数矩阵和第二待调整参数矩阵分别计算目标像素点与样本提取图像中所有像素点之间的像素相似度；基于每一个所述目标像素点在样本提取图像中的位置以及各个像素相似度构建与样本提取图像对应的相似度矩阵。
具体来说，就是获取样本提取图像的每一个像素点信息，像素点信息可以包括每个像素在样本提取图像中的位置信息及各个像素相似度，构建与样本提取图像对应的相似度矩阵，从而学习样本提取图像中每个像素点与其他所有像素点之间的依赖关系，获取样本提取图像的全局上下文信息。
在本发明实施例的一个可选实施方式中，所述基于所述第一待调整参数矩阵和所述第二待调整参数矩阵分别计算所述目标像素点与所述样本提取图像中所有像素点之间的像素相似度，具体可以通过如下公式实现：
其中，(i，j)表示样本提取图像的第i行第j列的位置，Ω(i,j)表示相似度矩阵中位于第i行第j列的位置处的相似度，q表示第一待调整参数矩阵，k表示第二待调整参数矩阵，q(i,n)表示第一待调整参数矩阵q中第i行第n列的元素；t(n,j)表示矩阵t中第n行第j列的元素，矩阵t为第二待调整参数矩阵k的转置，d表示第二待调整参数矩阵k的维度，c表示输入图像的通道数。
其中，为对样本提取图像进行缩放操作，通过缩放操作可改变样本提取图像的像素点在新图像中的空间位置，可使像素相似度计算具有稳定的梯度，通过计算样本提取图像的像素相似度，可以得到当前像素点与当前图像其它像素点之间的依赖关系，从而提高了对图像长距离依赖关系的捕获能力。
S250、基于所述第三待调整参数矩阵对所述相似度矩阵进行加权，得到加权特征图像。
在本实施例中，第三待调整参数矩阵对相似度矩阵进行加权，具体为第三待调整参数矩阵作为权重矩阵乘以相似度矩阵得到加权特征图像。
在本发明实施例的一个可选实施方式中，所述基于所述第三待调整参数矩阵对所述相似度矩阵进行加权，得到加权特征图像，可以包括：
对相似度矩阵进行归一化；
基于第三待调整参数矩阵对归一化后的相似度矩阵进行加权，得到加权特征图像。
其中，基于第三待调整参数矩阵对归一化后的相似度矩阵进行加权具体基于如下计算公式实现：
其中，A(q,k,v)(i,j)表示加权特征图像A通过矩阵q，k和v得到的第i行第j列的加权后的特征值，v表示第三待调整参数矩阵，H0表示样本特征图的目标输出长度，W0表示样本特征图的目标输出宽度，Ω′表示归一化后的相似度矩阵，Ω′(i,n)表示归一化后的相似度矩阵Ω′中第i行第n列的元素，v(n,j)表示第三待调整参数矩阵v中第n行第j列的元素。
本发明实施例通过对相似度矩阵进行归一化，然后通过第三待调整参数矩阵对归一化后的相似度矩阵进行加权，进行计算当前像素点的加权特征值，从而提高对样本编码图像提取特征的可靠性，得到更加有效的加权特征图像。
S260、基于至少两张加权特征图像和所述样本特征图像确定输出特征图像。
在本实施例中，至少两张加权特征图像可以进行融合，通过利用多张加权特征图像的图像特征，从而实现特征增强的目的。然后利用至少两张加权特征图像融合的图像和样本特征图像确定输出特征图像，通过输出特征图像与样本图像进行计算，使得模型的输出特征图像与样本提取图像对应的样本特征图像之间的偏差逐渐减小并趋于稳定，生成图像特征提取模型。
在本发明实施例的一个可选实施方式中，所述基于至少两张加权特征图像和所述样本特征图像确定输出特征图像，可以包括：将至少两张加权特征图像进行融合得到融合特征图像；将融合特征图像的特征维度调整为目标特征维度，并将调整为目标特征维度的融合特征图像与样本提取图像相加，得到目标维度图像；将目标维度图像输入所述自注意力模型的至少一个全连接层，得到输出维度图像；将输出维度图像调整为融合特征图像的特征维度得到输出特征图像。
其中，目标特征维度可以理解为目标特征的通道数，例如，一个通道是一维，两个通道是二维，n个通道是n维。具体的，通过将多张加权特征图像进行在通道维度上进行融合，得到融合特征图像A′：
A′＝A1+A2+…+An
其中，n为加权特征图像的通道数，得到A′后，将融合特征图像的特征维度调整为目标特征维度，并将调整为目标特征维度的融合特征图像C与所述样本特征图像R相加，得到目标维度图像C′。
C′＝C+R
在本发明实施例的一个可选实施方式中，优选的，所述自注意力模型包括两个全连接层；将所述目标维度图像输入自注意力模型的至少一个全连接层，得到输出维度图像，可以包括：
S＝conv(dense(dense(C′))+C′)
其中，S表示输出维度图像，dense表示全连接层，所述全连接层的激活函数为线性整流函数(Rectified Linear Unit，ReLU)，conv表示卷积层，用于统一特征维度。本实施例中自注意力模型包括两个全连接层，全连接层中的每个神经元与其前一层的所有神经元进行全连接，全连接层可以整合卷积层中具有类别区分性的局部信息。为了提升自注意力模型性能，全连接层每个神经元的激励函数一般采用线性整流函数。
本发明实施例提供了一种图像特征提取模型的训练方法，通过获取多组训练样本数据，其中，所述训练样本数据包括样本提取图像以及与所述样本提取图像对应的样本特征图像；基于多组训练样本数据，对预先建立的自注意力模型进行训练，生成图像特征提取模型；其中，所述自注意力模型用于学习所述样本提取图像中每个像素点与图像中所有像素点之间的依赖关系。上述技术方案在进行图像特征提取模型的训练时，借助自注意力模型，能够有效学习样本提取图像中每个像素点与图像中所有像素点之间的依赖关系，从而获取更加丰富的待分割图像全局上下文特征，提升图像特征提取模型的训练的准确率。
实施例三
图3为本发明实施例三提供的一种图像特征提取模型的训练装置的结构示意图，本实施例所提供的图像特征提取模型的训练装置可以通过软件和/或硬件来实现，可配置于终端和/或服务器中来实现本发明实施例中的图像特征提取模型的训练方法。该装置具体可包括：样本获取模块310及模型训练模块320。
其中，样本获取模块310，用于获取多组训练样本数据，其中，所述训练样本数据包括样本提取图像以及与所述样本提取图像对应的样本特征图像；模型训练模块320，用于基于多组训练样本数据，对预先建立的自注意力模型进行训练，生成图像特征提取模型；其中，所述自注意力模型用于学习所述样本提取图像中每个像素点与图像中所有像素点之间的依赖关系。
本发明实施例提供了一种图像特征提取模型的训练装置，通过获取多组训练样本数据，其中，所述训练样本数据包括样本提取图像以及与所述样本提取图像对应的样本特征图像；基于多组训练样本数据，对预先建立的自注意力模型进行训练，生成图像特征提取模型；其中，所述自注意力模型用于学习所述样本提取图像中每个像素点与图像中所有像素点之间的依赖关系。上述技术方案在进行图像特征提取模型的训练时，借助自注意力模型，能够有效学习样本提取图像中每个像素点与图像中所有像素点之间的依赖关系，从而获取更加丰富的待分割图像全局上下文特征，提升图像特征提取模型的训练的准确率。
在本发明实施例中任一可选技术方案的基础上，可选地，所述模型训练模块320，可以包括：
样本输入单元，用于将所述样本提取图像输入至预先建立的自注意力模型中；
图像线性变化单元，用于基于所述样本提取图像进行线性变化得到所述自注意力模型的第一待调整参数矩阵、第二待调整参数矩阵和第三待调整参数矩阵；
相似度矩阵确定单元，用于基于所述第一待调整参数矩阵和所述第二待调整参数矩阵确定与所述样本提取图像对应的相似度矩阵；
矩阵加权单元，用于基于所述第三待调整参数矩阵对所述相似度矩阵进行加权，得到加权特征图像；
图像输出单元，用于基于至少两张加权特征图像和所述样本特征图像确定输出特征图像。
在本发明实施例中任一可选技术方案的基础上，可选地，所述图像线性变化单元，可以用于：
q＝WqR
k＝WkR
v＝WvR
其中，R表示样本提取图像，q表示第一待调整参数矩阵，k表示第二待调整参数矩阵，v表示第三待调整参数矩阵，Wq表示与第一待调整参数矩阵对应的随机初始化的矩阵，Wk表示与第二待调整参数矩阵对应的随机初始化的矩阵， Wv表示与第三待调整参数矩阵对应的随机初始化的矩阵。
在本发明实施例中任一可选技术方案的基础上，可选地，相似度矩阵确定单元可以包括：
目标像素点确定子单元，用于将所述样本提取图像中每一个像素点逐个确定为目标像素点；
像素相似度计算子单元，用于针对每个所述目标像素点，基于所述第一待调整参数矩阵和所述第二待调整参数矩阵分别计算所述目标像素点与所述样本提取图像中所有像素点之间的像素相似度；
相似度矩阵构建子单元，用于基于每一个所述目标像素点在所述样本提取图像中所处的位置以及各个所述像素相似度构建与所述样本提取图像对应的相似度矩阵。
在本发明实施例中任一可选技术方案的基础上，可选地，像素相似度计算子单元还可以用于：
其中，(i，j)表示样本提取图像的第i行第j列的位置，Ω(i,j)表示相似度矩阵中位于第i行第j列的位置处的相似度，q表示第一待调整参数矩阵，k表示第二待调整参数矩阵，q(i,n)表示第一待调整参数矩阵q中第i行第n列的元素；t(n,j)表示矩阵t中第n行第j列的元素，矩阵t为第二待调整参数矩阵k的转置，d表示第二待调整参数矩阵k的维度，c表示输入图像的通道数。
在本发明实施例中任一可选技术方案的基础上，可选地，所述矩阵加权单元，具体可用于：
对所述相似度矩阵进行归一化；
基于所述第三待调整参数矩阵对归一化后的相似度矩阵进行加权，得到加权特征图像，具体基于如下计算公式实现：
其中，A(q,k,v)(i,j)表示加权特征图像A通过矩阵q，k和v得到的第i行第j列的加权后的特征值，v表示第三待调整参数矩阵，H0表示样本特征图的目标输出长度，W0表示样本特征图的目标输出宽度，Ω′表示归一化后的相似度矩阵，Ω′(i,n)表示归一化后的相似度矩阵Ω′中第i行第n列的元素，v(n,j)表示第三待调整参数矩阵v中第n行第j列的元素。
在本发明实施例中任一可选技术方案的基础上，可选地，所述图像输出单元，可以包括：
图像融合子单元，用于将至少两张加权特征图像进行融合得到融合特征图像；
目标维度图像生成子单元，用于将所述融合特征图像的特征维度调整为目标特征维度，并将调整为目标特征维度的融合特征图像与所述样本提取图像相加，得到目标维度图像；
输出维度图像生成子单元，用于将所述目标维度图像输入所述自注意力模型的至少一个全连接层，得到输出维度图像；
输出特征图像生成子单元，用于将所述输出维度图像调整为所述融合特征图像的特征维度得到输出特征图像。
在本发明实施例中任一可选技术方案的基础上，可选地，所述自注意力模型包括两个全连接层；
所述输出维度图像生成子单元具体可用于：
S＝conv(dense(dense(C′))+C′)
其中，S表示输出维度图像，dense表示全连接层，所述全连接层的激活函数为线性整流函数，conv表示卷积层，用于统一特征维度。
在本发明实施例中任一可选技术方案的基础上，可选地，所述图像特征提取模型的训练装置，还可以包括：
目标提取图像获取模块，用于获取至少一张待提取图像特征的目标提取图像；
目标特征图像输出模块，用于将所述目标提取图像输入至预先训练完成的图像提取模型中，输出所述目标提取图像的目标特征图像。
上述图像特征提取模型的训练装置可执行本发明任意实施例所提供的图像特征提取模型的训练方法，具备执行图像特征提取模型的训练方法相应的功能模块和有益效果。
实施例四
图5为本发明实施例四所提供的一种电子设备的结构示意图。图5示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图5显示的电子设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA) 总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA) 局域总线以及外围组件互连(PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘 (例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM, DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如系统存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O) 接口22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图5所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图5中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID 系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发实施例所提供的一种图像特征提取模型的训练方法。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种图像特征提取模型的训练方法，该方法包括：
获取多组训练样本数据，其中，所述训练样本数据包括样本提取图像以及与所述样本提取图像对应的样本特征图像；
基于多组训练样本数据，对预先建立的自注意力模型进行训练，生成图像特征提取模型；
其中，所述自注意力模型用于学习所述样本提取图像中每个像素点与图像中所有像素点之间的依赖关系。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。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。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(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本文件中，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。
计算机可读的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。计算机可读的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——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
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发明实施例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)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种图像特征提取模型的训练方法，其特征在于，包括：
获取多组训练样本数据，其中，所述训练样本数据包括样本提取图像以及与所述样本提取图像对应的样本特征图像；
基于多组训练样本数据，对预先建立的自注意力模型进行训练，生成图像特征提取模型；
其中，所述自注意力模型用于学习所述样本提取图像中每个像素点与图像中所有像素点之间的依赖关系；
所述基于多组训练样本数据，对预先建立的自注意力模型进行训练，包括：
将所述样本提取图像输入至预先建立的自注意力模型中；
基于所述样本提取图像进行线性变化得到所述自注意力模型的第一待调整参数矩阵、第二待调整参数矩阵和第三待调整参数矩阵；
基于所述第一待调整参数矩阵和所述第二待调整参数矩阵确定与所述样本提取图像对应的相似度矩阵；
基于所述第三待调整参数矩阵对所述相似度矩阵进行加权，得到加权特征图像；
基于至少两张加权特征图像和所述样本特征图像确定输出特征图像；
所述基于所述第一待调整参数矩阵和所述第二待调整参数矩阵确定与所述样本提取图像对应的相似度矩阵，包括：
将所述样本提取图像中每一个像素点逐个确定为目标像素点；
针对每个所述目标像素点，基于所述第一待调整参数矩阵和所述第二待调整参数矩阵分别计算所述目标像素点与所述样本提取图像中所有像素点之间的像素相似度；
基于每一个所述目标像素点在所述样本提取图像中所处的位置以及各个所述像素相似度构建与所述样本提取图像对应的相似度矩阵。
2.根据权利要求1所述的方法，其特征在于，所述基于所述样本提取图像进行线性变化得到所述自注意力模型的第一待调整参数矩阵、第二待调整参数矩阵和第三待调整参数矩阵，包括：
q＝WqR
k＝WkR
v＝WvR
其中，R表示样本提取图像，q表示第一待调整参数矩阵，k表示第二待调整参数矩阵，v表示第三待调整参数矩阵，Wq表示与第一待调整参数矩阵对应的随机初始化的矩阵，Wk表示与第二待调整参数矩阵对应的随机初始化的矩阵，Wv表示与第三待调整参数矩阵对应的随机初始化的矩阵。
3.根据权利要求1所述的方法，其特征在于，所述基于所述第一待调整参数矩阵和所述第二待调整参数矩阵分别计算所述目标像素点与所述样本提取图像中所有像素点之间的像素相似度，包括：
其中，(i，j)表示样本提取图像的第i行第j列的位置，Ω(i,j)表示相似度矩阵中位于第i行第j列的位置处的相似度，q表示第一待调整参数矩阵，k表示第二待调整参数矩阵，q(i,n)表示第一待调整参数矩阵q中第i行第n列的元素；t(n,j)表示矩阵t中第n行第j列的元素，矩阵t为第二待调整参数矩阵k的转置，d表示第二待调整参数矩阵k的维度，c表示输入图像的通道数。
4.根据权利要求3所述的方法，其特征在于，所述基于所述第三待调整参数矩阵对所述相似度矩阵进行加权，得到加权特征图像，包括：
对所述相似度矩阵进行归一化；
基于所述第三待调整参数矩阵对归一化后的相似度矩阵进行加权，得到加权特征图像，具体基于如下计算公式实现：
其中，A(q,k,v)(i,j)表示加权特征图像A通过矩阵q，k和v得到的第i行第j列的加权后的特征值，v表示第三待调整参数矩阵，H0表示样本特征图的目标输出长度，W0表示样本特征图的目标输出宽度，Ω′表示归一化后的相似度矩阵，Ω′(i,n)表示归一化后的相似度矩阵Ω′中第i行第n列的元素，v(n,j)表示第三待调整参数矩阵v中第n行第j列的元素。
5.根据权利要求1所述的方法，其特征在于，所述基于至少两张加权特征图像和所述样本特征图像确定输出特征图像，包括：
将至少两张加权特征图像进行融合得到融合特征图像；
将所述融合特征图像的特征维度调整为目标特征维度，并将调整为目标特征维度的融合特征图像与所述样本提取图像相加，得到目标维度图像；
将所述目标维度图像输入所述自注意力模型的至少一个全连接层，得到输出维度图像；
将所述输出维度图像调整为所述融合特征图像的特征维度得到输出特征图像。
6.根据权利要求5所述的方法，其特征在于，所述自注意力模型包括两个全连接层；
所述将所述目标维度图像输入所述自注意力模型的至少一个全连接层，得到输出维度图像，包括：
S＝conv(dense(dense(C′))+C′)
其中，S表示输出维度图像，dense表示全连接层，所述全连接层的激活函数为线性整流函数，C′为调整目标特征维度的融合特征图像与样本特征图像相加得到的目标维度图像，conv表示卷积层，用于统一特征维度。
7.根据权利要求1所述的方法，其特征在于，还包括：
获取至少一张待提取图像特征的目标提取图像；
将所述目标提取图像输入至预先训练完成的图像提取模型中，输出所述目标提取图像的目标特征图像。
8.一种图像特征提取模型的训练装置，其特征在于，包括：
样本获取模块，用于获取多组训练样本数据，其中，所述训练样本数据包括样本提取图像以及与所述样本提取图像对应的样本特征图像；
模型训练模块，用于基于多组训练样本数据，对预先建立的自注意力模型进行训练，生成图像特征提取模型；
其中，所述自注意力模型用于学习所述样本提取图像中每个像素点与图像中所有像素点之间的依赖关系；
所述模型训练模块，还包括：
样本输入单元，用于将所述样本提取图像输入至预先建立的自注意力模型中；
图像线性变化单元，用于基于所述样本提取图像进行线性变化得到所述自注意力模型的第一待调整参数矩阵、第二待调整参数矩阵和第三待调整参数矩阵；
相似度矩阵确定单元，用于基于所述第一待调整参数矩阵和所述第二待调整参数矩阵确定与所述样本提取图像对应的相似度矩阵；
矩阵加权单元，用于基于所述第三待调整参数矩阵对所述相似度矩阵进行加权，得到加权特征图像；
图像输出单元，用于基于至少两张加权特征图像和所述样本特征图像确定输出特征图像；
所述相似度矩阵确定单元，还包括：
目标像素点确定子单元，用于将所述样本提取图像中每一个像素点逐个确定为目标像素点；
像素相似度计算子单元，用于针对每个所述目标像素点，基于所述第一待调整参数矩阵和所述第二待调整参数矩阵分别计算所述目标像素点与所述样本提取图像中所有像素点之间的像素相似度；
相似度矩阵构建子单元，用于基于每一个所述目标像素点在所述样本提取图像中所处的位置以及各个所述像素相似度构建与所述样本提取图像对应的相似度矩阵。
9.一种电子设备，其特征在于，所述电子设备包括：
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1-7中任一所述的一种图像特征提取模型的训练方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-7中任一所述的一种图像特征提取模型的训练方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110560452.5A CN113326851B (zh) | 2021-05-21 | 2021-05-21 | 图像特征提取方法、装置、电子设备及存储介质 |
| PCT/CN2021/137818 WO2022242127A1 (zh) | 2021-05-21 | 2021-12-14 | 图像特征提取方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110560452.5A CN113326851B (zh) | 2021-05-21 | 2021-05-21 | 图像特征提取方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113326851A CN113326851A (zh) | 2021-08-31 |
| CN113326851B true CN113326851B (zh) | 2023-10-27 |
Family
ID=77416335
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110560452.5A Active CN113326851B (zh) | 2021-05-21 | 2021-05-21 | 图像特征提取方法、装置、电子设备及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN113326851B (zh) |
| WO (1) | WO2022242127A1 (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113326851B (zh) * | 2021-05-21 | 2023-10-27 | 中国科学院深圳先进技术研究院 | 图像特征提取方法、装置、电子设备及存储介质 |
| CN114913402B (zh) * | 2022-07-18 | 2022-10-18 | 深圳比特微电子科技有限公司 | 一种深度学习模型的融合方法、装置 |
| CN117094895B (zh) * | 2023-09-05 | 2024-03-26 | 杭州一隅千象科技有限公司 | 图像全景拼接方法及其系统 |
| CN118051765B (zh) * | 2024-04-16 | 2024-07-05 | 天津光电通信技术有限公司 | 噪声全局特征提取方法、装置、服务器及存储介质 |
| CN118168514B (zh) * | 2024-05-14 | 2024-08-23 | 南京苏测测绘科技有限公司 | 一种智能算法成像的水下断面测绘系统及方法 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107292887A (zh) * | 2017-06-20 | 2017-10-24 | 电子科技大学 | 一种基于深度学习自适应权重的视网膜血管分割方法 |
| CN109829894A (zh) * | 2019-01-09 | 2019-05-31 | 平安科技（深圳）有限公司 | 分割模型训练方法、oct图像分割方法、装置、设备及介质 |
| CN109872306A (zh) * | 2019-01-28 | 2019-06-11 | 腾讯科技（深圳）有限公司 | 医学图像分割方法、装置和存储介质 |
| CN110378913A (zh) * | 2019-07-18 | 2019-10-25 | 深圳先进技术研究院 | 图像分割方法、装置、设备及存储介质 |
| CN110781956A (zh) * | 2019-10-24 | 2020-02-11 | 精硕科技（北京）股份有限公司 | 一种目标检测的方法、装置、电子设备及可读存储介质 |
| CN111242217A (zh) * | 2020-01-13 | 2020-06-05 | 支付宝实验室(新加坡)有限公司 | 图像识别模型的训练方法、装置、电子设备及存储介质 |
| CN111429464A (zh) * | 2020-03-11 | 2020-07-17 | 深圳先进技术研究院 | 医学图像分割方法、医学图像分割装置及终端设备 |
| CN111612790A (zh) * | 2020-04-29 | 2020-09-01 | 杭州电子科技大学 | 一种基于t型注意力结构的医学图像分割方法 |
| CN111951280A (zh) * | 2020-08-10 | 2020-11-17 | 中国科学院深圳先进技术研究院 | 图像分割方法、装置、设备及存储介质 |
| CN111951281A (zh) * | 2020-08-10 | 2020-11-17 | 中国科学院深圳先进技术研究院 | 图像分割方法、装置、设备及存储介质 |
| CN112001931A (zh) * | 2020-08-24 | 2020-11-27 | 上海眼控科技股份有限公司 | 图像分割方法、装置、设备及存储介质 |
| CN112017191A (zh) * | 2020-08-12 | 2020-12-01 | 西北大学 | 基于注意力机制的肝脏病理图像分割模型建立及分割方法 |
| CN112309540A (zh) * | 2020-10-28 | 2021-02-02 | 中国科学院深圳先进技术研究院 | 运动评估方法、装置、系统及存储介质 |
| WO2021031066A1 (zh) * | 2019-08-19 | 2021-02-25 | 中国科学院深圳先进技术研究院 | 一种软骨图像分割方法、装置、可读存储介质及终端设备 |
| CN112419321A (zh) * | 2021-01-25 | 2021-02-26 | 长沙理工大学 | X射线图像识别方法、装置、计算机设备及存储介质 |
| CN112633419A (zh) * | 2021-03-09 | 2021-04-09 | 浙江宇视科技有限公司 | 小样本学习方法、装置、电子设备和存储介质 |
| CN112700462A (zh) * | 2020-12-31 | 2021-04-23 | 北京迈格威科技有限公司 | 一种图像分割方法、装置、电子设备及存储介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11763433B2 (en) * | 2019-11-14 | 2023-09-19 | Samsung Electronics Co., Ltd. | Depth image generation method and device |
| KR102278756B1 (ko) * | 2020-03-11 | 2021-07-16 | 연세대학교 산학협력단 | 일관성을 고려한 스테레오 영상의 업스케일 장치 및 방법 |
| CN111667495A (zh) * | 2020-06-08 | 2020-09-15 | 北京环境特性研究所 | 一种图像场景解析方法和装置 |
| CN113159056B (zh) * | 2021-05-21 | 2023-11-21 | 中国科学院深圳先进技术研究院 | 图像分割方法、装置、设备及存储介质 |
| CN113326851B (zh) * | 2021-05-21 | 2023-10-27 | 中国科学院深圳先进技术研究院 | 图像特征提取方法、装置、电子设备及存储介质 |
-
2021
- 2021-05-21 CN CN202110560452.5A patent/CN113326851B/zh active Active
- 2021-12-14 WO PCT/CN2021/137818 patent/WO2022242127A1/zh active Application Filing
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107292887A (zh) * | 2017-06-20 | 2017-10-24 | 电子科技大学 | 一种基于深度学习自适应权重的视网膜血管分割方法 |
| CN109829894A (zh) * | 2019-01-09 | 2019-05-31 | 平安科技（深圳）有限公司 | 分割模型训练方法、oct图像分割方法、装置、设备及介质 |
| CN109872306A (zh) * | 2019-01-28 | 2019-06-11 | 腾讯科技（深圳）有限公司 | 医学图像分割方法、装置和存储介质 |
| CN110378913A (zh) * | 2019-07-18 | 2019-10-25 | 深圳先进技术研究院 | 图像分割方法、装置、设备及存储介质 |
| WO2021031066A1 (zh) * | 2019-08-19 | 2021-02-25 | 中国科学院深圳先进技术研究院 | 一种软骨图像分割方法、装置、可读存储介质及终端设备 |
| CN110781956A (zh) * | 2019-10-24 | 2020-02-11 | 精硕科技（北京）股份有限公司 | 一种目标检测的方法、装置、电子设备及可读存储介质 |
| CN111242217A (zh) * | 2020-01-13 | 2020-06-05 | 支付宝实验室(新加坡)有限公司 | 图像识别模型的训练方法、装置、电子设备及存储介质 |
| CN111429464A (zh) * | 2020-03-11 | 2020-07-17 | 深圳先进技术研究院 | 医学图像分割方法、医学图像分割装置及终端设备 |
| CN111612790A (zh) * | 2020-04-29 | 2020-09-01 | 杭州电子科技大学 | 一种基于t型注意力结构的医学图像分割方法 |
| CN111951280A (zh) * | 2020-08-10 | 2020-11-17 | 中国科学院深圳先进技术研究院 | 图像分割方法、装置、设备及存储介质 |
| CN111951281A (zh) * | 2020-08-10 | 2020-11-17 | 中国科学院深圳先进技术研究院 | 图像分割方法、装置、设备及存储介质 |
| CN112017191A (zh) * | 2020-08-12 | 2020-12-01 | 西北大学 | 基于注意力机制的肝脏病理图像分割模型建立及分割方法 |
| CN112001931A (zh) * | 2020-08-24 | 2020-11-27 | 上海眼控科技股份有限公司 | 图像分割方法、装置、设备及存储介质 |
| CN112309540A (zh) * | 2020-10-28 | 2021-02-02 | 中国科学院深圳先进技术研究院 | 运动评估方法、装置、系统及存储介质 |
| CN112700462A (zh) * | 2020-12-31 | 2021-04-23 | 北京迈格威科技有限公司 | 一种图像分割方法、装置、电子设备及存储介质 |
| CN112419321A (zh) * | 2021-01-25 | 2021-02-26 | 长沙理工大学 | X射线图像识别方法、装置、计算机设备及存储介质 |
| CN112633419A (zh) * | 2021-03-09 | 2021-04-09 | 浙江宇视科技有限公司 | 小样本学习方法、装置、电子设备和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| GC-Net: Global context network for medical image segmentation;Jiajia Ni等;Computer Methods and Programs in Biomedicine(第2020（190）期);1-10 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113326851A (zh) | 2021-08-31 |
| WO2022242127A1 (zh) | 2022-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113326851B (zh) | 图像特征提取方法、装置、电子设备及存储介质 | |
| CN113159056B (zh) | 图像分割方法、装置、设备及存储介质 | |
| JP7185039B2 (ja) | 画像分類モデルの訓練方法、画像処理方法及びその装置、並びにコンピュータプログラム | |
| EP3961484B1 (en) | Medical image segmentation method and device, electronic device and storage medium | |
| US20200160124A1 (en) | Fine-grained image recognition | |
| GB2571825A (en) | Semantic class localization digital environment | |
| CN111489396A (zh) | 利用临界边缘检测神经网络和几何模型确定相机参数 | |
| Zhao et al. | PCA dimensionality reduction method for image classification | |
| CN109447096B (zh) | 一种基于机器学习的扫视路径预测方法和装置 | |
| CN111242952B (zh) | 图像分割模型训练方法、图像分割方法、装置及计算设备 | |
| CN110765882A (zh) | 一种视频标签确定方法、装置、服务器及存储介质 | |
| CN116129141B (zh) | 医学数据处理方法、装置、设备、介质和计算机程序产品 | |
| CN111091010A (zh) | 相似度确定、网络训练、查找方法及装置和存储介质 | |
| CN112668608B (zh) | 一种图像识别方法、装置、电子设备及存储介质 | |
| CN112115744A (zh) | 点云数据的处理方法及装置、计算机存储介质、电子设备 | |
| CN115841596B (zh) | 多标签图像分类方法及其模型的训练方法、装置 | |
| CN115457492A (zh) | 目标检测方法、装置、计算机设备及存储介质 | |
| CN113569855A (zh) | 一种舌象分割方法、设备及存储介质 | |
| Kalash et al. | Relative saliency and ranking: Models, metrics, data and benchmarks | |
| CN116597260A (zh) | 图像处理方法、电子设备、存储介质及计算机程序产品 | |
| CN114170558B (zh) | 用于视频处理的方法、系统、设备、介质和产品 | |
| CN111582449B (zh) | 一种目标域检测网络的训练方法、装置、设备及存储介质 | |
| CN116013475B (zh) | 多模态医学图像的勾画方法和装置、存储介质及电子设备 | |
| CN113569081A (zh) | 图像识别方法、装置、设备及存储介质 | |
| CN113222989B (zh) | 一种图像分级方法、装置、存储介质及电子设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |