CN113361535B - 图像分割模型训练、图像分割方法及相关装置 - Google Patents
图像分割模型训练、图像分割方法及相关装置 Download PDFInfo
- Publication number
- CN113361535B CN113361535B CN202110734668.9A CN202110734668A CN113361535B CN 113361535 B CN113361535 B CN 113361535B CN 202110734668 A CN202110734668 A CN 202110734668A CN 113361535 B CN113361535 B CN 113361535B
- Authority
- CN
- China
- Prior art keywords
- image segmentation
- feature map
- image
- mixing
- 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 207
- 238000012549 training Methods 0.000 title claims abstract description 113
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000002156 mixing Methods 0.000 claims abstract description 129
- 239000000203 mixture Substances 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 abstract description 14
- 238000004590 computer program Methods 0.000 abstract description 13
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004821 distillation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种图像分割模型训练、图像分割方法、装置、电子设备、计算机可读存储介质及计算机程序产品,涉及图像处理、深度学习等人工智能技术领域。该方法的一具体实施方式包括:获取样本图像集合,并确定与该样本图像集合中每张样本图像对应的原始特征图,然后确定目标混合方式,并按照该目标混合方式混合各该原始特征图,得到增量特征图,该增量特征图的数量少于该样本图像集合中样本图像的数量,最终基于该增量特征图训练得到图像分割模型。本公开提供的图像分割模型训练方法,可减少图像分割模型训练时的运算资源的需求,并减少模型进行训练时所耗费的运算量,以提升模型训练效率。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及图像处理、深度学习等人工智能技术领域,尤其涉及一种图像分割模型训练和图像分割方法,以及以对应的装置、电子设备、计算机可读存储介质及计算机程序产品。
背景技术
深度学习(Deep Learning,简称DL)和卷积神经网络(Convolutional NeuralNetworks,简称CNNs)被广泛应用。但卷积神经网络模型,尤其是三维卷积神经模型,在模型训练阶段对于计算机内存有着较高的需求,使得一些性能优异、但运算量较大的模型,难以被应用于输入数据量较大的图像分割、影像分析任务。
发明内容
本公开实施例提出了一种图像分割模型训练、图像分割方法、装置、电子设备、计算机可读存储介质及计算机程序产品。
第一方面,本公开实施例提出了一种图像分割模型训练方法,包括:获取样本图像集合;确定与该样本图像集合中每张样本图像对应的原始特征图;确定目标混合方式,并按照该目标混合方式混合各该原始特征图,得到增量特征图,该增量特征图的数量少于该样本图像集合中样本图像的数量;基于该增量特征图训练得到图像分割模型。
第二方面,本公开实施例提出了一种图像分割模型训练装置,包括:训练样本获取单元,被配置成获取样本图像集合;原始特征图生成单元,被配置成确定与该样本图像集合中每张样本图像对应的原始特征图;增量特征图生成单元,被配置成确定目标混合方式,并按照该目标混合方式混合各该原始特征图,得到增量特征图,该增量特征图的数量少于该样本图像集合中样本图像的数量;图像分割模型生成单元,被配置成基于该增量特征图训练得到图像分割模型。
第三方面,本公开实施例提出了一种图像分割方法,包括:获取待分割图像;调用图像分割模型对该待分割图像进行图像分割;其中,图像分割模型根据如第一方面中任一实现方式描述的图像分割模型训练方法得到。
第四方面,本公开实施例提出了一种图像分割装置,包括:待分割图像获取单元,被配置成获取待分割图像;图像分割模型调用单元,被配置成调用图像分割模型对该待分割图像进行图像分割,其中,图像分割模型根据如第二方面中任一实现方式描述的图像分割模型训练装置得到。
第五方面,本公开实施例提供了一种电子设备,该电子设备包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,该指令被至少一个处理器执行,以使至少一个处理器执行时能够实现如第一方面中任一实现方式描述的图像分割模型训练方法或如第三方面中任一实现方式描述的图像分割方法。
第六方面,本公开实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令用于使计算机执行时能够实现如第一方面中任一实现方式描述的图像分割模型训练方法或如第三方面中任一实现方式描述的图像分割方法。
第七方面,本公开实施例提供了一种包括计算机程序的计算机程序产品,该计算机程序在被处理器执行时能够实现如第一方面中任一实现方式描述的图像分割模型训练方法或如第三方面中任一实现方式描述的图像分割方法。
本公开实施例提供的图像分割模型训练、图像分割方法,在获取样本图像后,确定与样本图像对应的原始特征图后,并根据目标混合方式对原始特征图进行混合,以得到总量少于原始特征图总数的增量特征图,并基于该增量特征图训练得到图像分割模型,以将原始特征图混合得到增量特征图的方式,对样本图像在特征层面进行混合,在保留用于训练得到图像分割模型的特征的前提下,减少用于训练图像分割模型的样本图像数量,可以在达到相同模型训练效果的情况下,减少图像分割模型训练时的运算资源的需求和对模型进行训练时所耗费的运算量,以提升模型训练效率。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
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,本公开的其它特征、目的和优点将会变得更明显:
图1是本公开可以应用于其中的示例性系统架构;
图2为本公开实施例提供的一种图像分割模型训练方法的流程图;
图3为本公开实施例提供的另一种图像分割模型训练方法的流程图;
图4为本公开实施例提供的一种针对编码解码类模型的图像分割模型的图像分割模型训练方法的流程图;
图5为本公开实施例提供的在一应用场景下的图像分割模型训练方法的效果示意图;
图6为本公开实施例提供的一种图像分割模型训练装置的结构框图;
图7为本公开实施例提供的一种图像分割装置的结构框图;
图8为本公开实施例提供的一种适用于执行图像分割模型训练方法和/或图像分割方法的电子设备的结构示意图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。需要说明的是,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。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,采取了必要的保密措施,且不违背公序良俗。
图1示出了可以应用本申请的用于训练人脸识别模型以及识别人脸的方法、装置、电子设备及计算机可读存储介质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101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104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101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103和服务器105上可以安装有各种用于实现两者之间进行信息通讯的应用,例如模型获取类应用、图像分割类应用等。
终端设备101、102、103和服务器105可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有显示屏的各种电子设备,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101、102、103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。当服务器105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;服务器为软件时,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105通过内置的各种应用可以提供各种服务,以可以为用户影像分析、图像分割的图像分割类应用为例,服务器105在运行该图像分割类应用时可实现如下效果:获取待分割图像,调用图像分割模型对该待分割图像进行图像分割,以便于根据分割后的图像对该图像中的内容进行分析,例如在医疗领域中,对获取到的医疗影像进行分割,以便于后续根据分割结果做出对应的判断。
其中,图像分割模型可由服务器105上内置的图像分割模型训练类应用按如下步骤训练得到:获取样本图像集合,并确定与该样本图像集合中每张样本图像对应的原始特征图,然后确定目标混合方式,并按照该目标混合方式混合各该原始特征图,得到增量特征图,该增量特征图的数量少于该样本图像集合中样本图像的数量,最终基于该增量特征图训练得到图像分割模型。
由于为训练得到图像分割模型需要占用较多的运算资源和较强的运算能力,因此本申请后续各实施例所提供的图像分割模型训练方法一般由拥有较强运算能力、较多运算资源的服务器105来执行,相应地,图像分割模型训练装置一般也设置于服务器105中。但同时也需要指出的是,在终端设备101、102、103也具有满足要求的运算能力和运算资源时,终端设备101、102、103也可以通过其上安装的图像分割模型训练类应用完成上述本交由服务器105做的各项运算,进而输出与服务器105同样的结果。相应的,图像分割模型训练装置也可以设置于终端设备101、102、103中。在此种情况下,示例性系统架构100也可以不包括服务器105和网络104。
当然,用于训练得到图像分割模型的服务器可以不同于调用训练好的图像分割模型来使用的服务器。特殊的,经由服务器105训练得到的图像分割模型也可以通过模型蒸馏的方式得到适合置入终端设备101、102、103的轻量级的图像分割模型,即可以根据实际需求的识别准确度灵活选择使用终端设备101、102、103中的轻量级的图像分割模型,还是选择使用服务器105中的较复杂的图像分割模型。
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。
请参考图2,图2为本公开实施例提供的一种图像分割模型训练方法的流程图,其中流程200包括以下步骤:
步骤201,获取样本图像集合。
在本实施例中,由图像分割模型训练方法的执行主体(例如图1所示的服务器105)获取到由多张样本图像组成的样本图像集合。
其中,该样本图像的具体内容可以结合后续对于图像分割模型的使用目的进行确定,例如在后续利用图像分割模型对图像中的“指示信息”进行分割时,该样本图像可以为包含有“指示信息”的风景图像等。
需要指出的是,样本图像集合可以由上述执行主体直接从本地的存储设备获取,也可以从非本地的存储设备(例如图1所示的终端设备101、102、103)中获取。本地的存储设备可以是设置在上述执行主体内的一个数据存储模块,例如服务器硬盘,在此种情况下,样本图像集合可以在本地快速读取到;非本地的存储设备还可以为其它任何被设置用于存储数据的电子设备,例如一些用户终端等,在此情况下,上述执行主体可以通过向该电子设备发送获取命令来获取所需的样本图像集合。
在实践中,在仅能获取到部分样本图像或获取到的样本图像数量不能满足实际的使用需求时,可以基于混合数据增强(Mixup)方法对现有的样本图像进行处理,以扩充样本图像的数量,得到满足实际的使用需求的样本图像集合。
步骤202,确定与样本图像集合中每张样本图像对应的原始特征图。
在本实施例中,在获取到样本图像集合后,生成每张样本图像对应的原始特征图,该原始特征图中记录有与对应样本图像所对应的用于被图像分割模型所处理的特征,其中,该原始特征图可以基于用于训练得到图像分割模型的原始模型中的特征变换器得到,在例如模型蒸馏、模型复制等应用场景下,也可以基于现有的期望被蒸馏的模型、被复制的目标图像分割模型生成得到。
应当理解的是,原始特征图的具体表达形式也可以为生成原始特征图的原始特征向量、原始特征参数等,本公开对此不做限制。
步骤203,确定目标混合方式,并按照目标混合方式混合各原始特征图,得到增量特征图。
在本实施例中,在基于上述步骤202中确定到每张样本图像对应的原始特征图后,确定用于混合各样本图像以得到增量特征图的目标混合方式,该目标混合方式用以指示具体的混合方式,以便于根据该混合方式将至少两张原始特征图混合、生成一张增量特征图,该增量特征图中保留有该至少两张特征图中的信息,在个原始特征图至少用于生成一张增量特征图后,完成增量特征图的生成工作,并且控制在此过程中得到的增量特征图的数量少于样本图像集合中样本图像的数量。
应当理解的是,针对相同的原始特征图可以根据不同的目标混合方式和不同的与其他原始特征图的组合形式以得到多张不同的增量特征图。
步骤204,基于增量特征图训练得到图像分割模型。
在本实施例中,将该增量特征直接发送给待训练图像分割模型,以利用该增量特征作为待训练图像分割模型的输入,样本图像集合中的样本图像的标注信息作为对应的输入,对该待训练图像分割模型进行训练,以得到训练后的图像分割模型。
本公开实施例提供的图像分割模型训练方法,在获取样本图像后,确定与样本图像对应的原始特征图后,并根据目标混合方式对原始特征图进行混合,以得到总量少于原始特征图总数的增量特征图,并基于该增量特征图训练得到图像分割模型,以将原始特征图混合得到增量特征图的方式,对样本图像在特征层面进行混合,在保留用于训练得到图像分割模型的特征的前提下,减少用于训练图像分割模型的样本图像数量,可以在达到相同模型训练效果的情况下,减少图像分割模型训练时的运算资源的需求和对模型进行训练时所耗费的运算量,以提升模型训练效率。
为了使的训练得到的图像分割模型更能满足实际使用的图像分割精度需求,还根据该需求对目标混合进行相应设置,以得到与该实际需求所匹配的增量特征图,并根据该与实际需求所匹配的增量特征图训练得到图像分割模型,以提高图像分割模型的训练质量,请参考图3,图3为本公开实施例提供的另一种图像分割模型训练方法的流程图,即针对图2所示的流程200中的步骤203提供了一种具体的实现方式,流程200中的其它步骤并不做调整,也将本实施例所提供的具体实现方式以替换步骤203的方式得到一个新的完整实施例。其中流程300包括以下步骤:
步骤301,根据图像分割模型的图像分割精度要求,确定单次混合数量和特征图混合面积;
具体的,获取图像分割模型的图像分割精度要求,确定与该分割精度要求所对应的增量特征图的面积和该增量特征图中所包含的特征数量,并根据该增量特征图的面积确定特征图混合面积,以及根据该增量特征图中所需的特征数量和各原始特征图中的特征数量确定单次混合时所需的原始特征图。
步骤302,从各原始特征图中任选出数量为单次混合数量的目标原始特征图;
具体的,从各特征图中选取出与上述步骤301中确定的单次混合数量相当的各原始特征图,并将选取出的各特征图确定为目标原始特征图。
步骤303,将各目标原始特征图按照重叠特征图混合面积的方式进行混合,得到增量特征图。
具体的,将各目标原始特征图的面积均调整至上述步骤301中确定的特征图混合面积,在完成各目标原始特征图的面积调整后,采用重叠特征图混合面积的方式,将各个目标原始特征图进行重叠混合,以得到该特征图混合面积的增量特征图。
在本实施例的一些可选的实现方式中,将各该目标原始特征图按照重叠该特征图混合面积的方式进行混合,包括:响应于该单次混合数量为2,将两张该目标原始特征图采用二值掩膜的方式进行混合;其中,二值掩膜的方式指以将两张不同的目标原始特征图中的像素点以分别置1和置0的方式进行混合。
具体的,在确定单次混合数量为2时,即确定用于生成增量特征图的目标原始特征图的数量为2时,获取与面积调整后的两张原始特征图面积相当的二值掩膜器,根据实际的混合权重需求相应的设置二值掩膜中置0和置1的像素点的比例,完成对二值掩膜中的各像素点置0或1设置后,将其中一张原始特征图中与二值掩膜器中置0位置的像素点所对应的位置的内容分别添加至该二值掩膜器中置0位置,将另一张原始特征图中与二值掩膜器中置1位置的像素点所对应的位置的内容分别添加至该二值掩膜器中置1位置,以利用二值掩膜的方式快速的对目标原始特征图中的特征进行采样、提取,实现两张目标原始特征图之间部分内容的融合,提升得到增量特征图的质量和效率。
其中,还可以根据实际的混合权重需求相应的设置二值掩膜中置0和置1的像素点的比例,以实现对目标原始特征图不同权重比例的融合,得到满足该实际需求的增量特征图。
在本实施例的一些可选的实现方式中,该图像分割模型训练方法还包括:响应于该特征图混合面积小于任意目标原始特征图的实际面积,根据各目标原始特征图中各像素点的相似性,在各目标原始特征图中确定面积为该特征图混合面积的特征图混合区域;对应的,该将各该目标原始特征图按照重叠该特征图混合面积的方式进行混合,包括:混合各该目标原始特征图的特征图混合区域。
具体的,在确定特征混合面积小于各目标原始特征图中任意的目标原始特征图的实际面积,根据各目标原始特征图中各像素点的相似性,选取相似性高于预设阈值的特征图混合区域后,混合各该目标原始特征图的特征图混合区域,以通过比较目标原始特征图中各像素点的相似性的方式确定目标原始特征图中参考价值较高部分的内容后,进行特征图融合、得到相应的增量特征图,以提升增量特征图中信息的价值。
应当理解的,在一些可选的实施例中,若采用本公开的图像分割模型训练方法训练图像分割模型的目的在于提升图像分割模型对于无效内容识别、攻击抵御等方面的能力时,也可以相应的设置选取相似性低于预设阈值的特征图混合区域进行混合以得到增量特征图,以丰富该增量特征图包括的异常特征,达到上述训练目的。
在本实施例的一些可选的实现方式中,该图像分割模型训练方法还包括:控制该增量特征图的数量与该单次混合数量成正比;和/或控制该增量特征图的数量与该特征图混合面积成反比。
具体的,可以控制最终得到的增量特征图的数量与单次混合的原始特征图数量和/或特征图混合面积之间具有关联关系的方式,对增量特征图的质量进行优化,以避免例如在单次混合有过多的原始特征图数量和/或特征图混合面积的情况下,生成过少的增量特征图和/或生成的增量特征图中所融合的信息较为近似,导致的增量特征图之间差异较小、质量较低的问题,提升得到的增量特征图的质量。
进一步的,因编码解码(Encoding-Decoding)类模型的图像分割模型的图像分割模型无法利用在特征层面进行差值的数据扩增方案进行训练,因此,本公开实施例针对该情况提出了一种针对编码解码类模型的图像分割模型的模型训练方法,以使得在对编码解码类模型的图像分割模型进行训练时达到与上述图2所示实施例中相近似的效果,请参考图4,图4为本公开实施例提供的一种在图像分割模型属于编码解码类模型时,图像分割模型训练方法的流程图,其中流程400包括以下步骤:
步骤401,获取样本图像集合。
在本实施例中,该步骤401与上述图2所示实施例中步骤201相同,不再赘述。
步骤402,利用图像分割模型的编码器中的多个下采样层,分别提取出与样本图像集合中每张样本图像对应的多尺度的原始特征图。
在本实施例中,基于流形混合算法(Manifold-Mixup)等算法利用图像分割模型的编码器中第一个下采样层分别提取出与样本图像集合中每张样本图像对应的多尺度的原始特征图后,后续编码器中的采样层可利用其中/>为第l层所对应的原始特征图,/>为第l层的上一层所对应的原始特征图的方式进行迭代处理,以得到各层所对应的原始特征图。
此外,在基于卷积层堆叠构成的神经网络中,可以预先采用对神经网络中各层所对应的功能进行划分的方式,将该神经网络的各层分别确定为属于编码层部分或解码层部分,达到将神经网络调整为编码解码类模型的目的,以便于提升本公开提供的图像分割模型训练方法的适用范围。
步骤403,利用设置在每个下采样层与解码器中的上采样层之间的混合层,对相应尺度的原始特征图按照目标混合方式进行混合,并将混合后的增量特征图输出给上采样层。
在本实施例中,在成对的上采样层和下采样层之间设置混合层,以通过该混合层将下采样层输出的相应尺度的原始特征图整按照目标方式进行混合后,得到混合后的增量特征图,并将该增量特征图输出至该下采样层对应的上采样层。
示例性的,可将下采样层,即(l-1)层输出的原始特征图按照样本图像的堆叠维度等分为两份得到即其中/>形状为Hl-1,Wl-1,分别将Hl-1,Wl-1的形状调整至与二值掩膜M相同的尺寸后,利用二值掩膜的方式/>得到对应的增量特征图/>
步骤404,利用经各上采样层融合后的特征图,训练得到图像分割模型。
在本实施例中,在对上采样层获取到的特征图更新为增量特征图后,利用该增量特征图继续对原模型进行训练,以完成训练后得到最终的图像分割模型。
其中,在采用流形混合算法利用图像分割模型的编码器中第一个下采样层分别提取出与样本图像集合中每张样本图像对应的多尺度的原始特征图时,还可以获取与该流形混合算法对应的样本图像集合的标签ym,后续在获取到图像分割模型中各上、下采样层所对应的原始特征图或增量特征图后,可以基于原始特征图或增量特征图和该标签ym解得该图像分割模型的损失函数和梯度值,以便于根据该损失函数和梯度值对图像分割模型进行调整,提升得到的图像分割模型的质量。
上述各实施例从各个方面阐述了如何训练得到图像分割模型,为了尽可能的从实际使用场景突出训练出的图像分割模型所起到的效果,本公开还具体提供了一种使用训练好的图像分割模型来解决实际问题的方案,一种图像分割方法包括如下步骤:
获取待分割图像;
调用图像分割模型对该待分割图像进行图像分割;其中,分割图像模型根据上述任一实施例所公开的图像分割模型训练方法训练得到。
为加深理解,本公开还结合一个具体应用场景,给出了一种具体的实现方案,具体如下:
为便于理解,请参考图5,其中示出了位于图像分割模型中编码器中的下采样层A1、B1、C1,与下采样层A1、B1、C1所对应的上采样层A2、B2、C2,以及位于下采样层A1和上采样层A2之间的混合层A3、位于下采样层B1和上采样层B2之间的混合层B3、位于下采样层C1和上采样层C2之间的混合层C3的之间关系图,并且,为方便理解,下采样层中标记有本层所处理的(样本图像的数量,特征提取横向维度,特征提取纵向维度)。
以其中的下采样层A1为例,该下采样层A1中接收到的样本图像的数量为N,样本图像特征的提取维度为(H,W),在下采样层A1分别确定与各样本图像所对应的原始特征图,即得到数量为N的原始特征图。
接下来,确定目标混合方式为采用二值掩膜的方式实现的,基于两张不同的原始特征图各50%内容生成一张增量特征图,该方式可具体设置为:设置单次混合所采用的原始特征图的数量为2,将二值掩膜中一半像素置0,一半像素点置1,置0像素点的内容对应一张样本图像对应的原始特征图中与该置0位置相同的像素点的内容,置1像素点的内容对应另一张样本图像对应的原始特征图中与该置1位置相同的像素点的内容,得到增量特征图,并且每一张原始特征图仅用于混合、得到增量特征图一次,即每一张原始特征图仅对应有一张增量特征图。
经过混合层A3中处理,输入至上采样层A2中的增量特征图数量为后续上采样层A2中仍按照原有的图像分割模型构架对上采样层C2和混合层A3中输出的内容进行处理,以实现不调整原图像分割模型构架的情况下,以将原始特征图混合得到增量特征图的方式,对样本图像在特征层面进行混合,在保留用于训练得到图像分割模型的特征的前提下,减少用于训练图像分割模型的样本图像数量,可以在达到相同模型训练效果的情况下,减少图像分割模型训练时的运算资源的需求和对模型进行训练时所耗费的运算量,以提升模型训练效率。
其中,针对下采样层B1、C1所对应的混合层B3、C3中的处理方式与混合层A3中的处理方式相近似,区别仅在于下采样层B1和上采样层B2中样本图像的提取特征维度为区别仅在于下采样层C1和上采样层C2中样本图像的提取特征维度为/>不再赘述。
进一步参考图6和图7,作为对上述各图所示方法的实现,本公开分别提供了一种图像分割模型训练装置实施例和一种图像分割装置的实施例,图像分割模型训练装置实施例与图2所示的图像分割模型训练方法实施例相对应,图像分割装置实施例与图像分割方法实施例相对应。上述装置具体可以应用于各种电子设备中。
如图6所示,本实施例的图像分割模型训练装置600可以包括:训练样本获取单元601、原始特征图生成单元602、增量特征图生成单元603和图像分割模型生成单元604。其中,训练样本获取单元601,被配置成获取样本图像集合;原始特征图生成单元602,被配置成确定与该样本图像集合中每张样本图像对应的原始特征图;增量特征图生成单元603,被配置成确定目标混合方式,并按照该目标混合方式混合各该原始特征图,得到增量特征图,该增量特征图的数量少于该样本图像集合中样本图像的数量;图像分割模型生成单元604,被配置成基于该增量特征图训练得到图像分割模型。
在本实施例中,图像分割模型训练装置600中:训练样本获取单元601、原始特征图生成单元602、增量特征图生成单元603和图像分割模型生成单元604的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-204的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,增量特征图生成单元603,包括:混合参数确定子单元,被配置成根据该图像分割模型的图像分割精度要求,确定单次混合数量和特征图混合面积;特征图选取子单元,被配置成从各该原始特征图中任选出数量为该单次混合数量的目标原始特征图;特征图混合子单元,被配置成将各该目标原始特征图按照重叠该特征图混合面积的方式进行混合,得到增量特征图。
在本实施例的一些可选的实现方式中,特征图混合子单元进一步被配置成,响应于该单次混合数量为2,将两张该目标原始特征图采用二值掩膜的方式进行混合;其中,二值掩膜的方式指以将两张不同的目标原始特征图中的像素点以分别置1和置0的方式进行混合。
在本实施例的一些可选的实现方式中,增量特征图生成单元603还包括:特征图混合区域确定子单元,被配置成响应于该特征图混合面积小于任意该目标原始特征图的实际面积,根据各该目标原始特征图中各像素点的相似性,在各该目标原始特征图中确定面积为该特征图混合面积的特征图混合区域;对应的,该特征图混合子单元进一步被配置成,混合各该目标原始特征图的特征图混合区域。
在本实施例的一些可选的实现方式中,增量特征图生成单元603中还包括:增量特征图数量控制子单元,被配置成控制该增量特征图的数量与该单次混合数量成正比;和/或控制该增量特征图的数量与该特征图混合面积成反比。
在本实施例的一些可选的实现方式中,响应于该图像分割模型属于编码解码类模型,该原始特征图生成单元602进一步被配置成,利用该图像分割模型的编码器中的多个下采样层,分别提取出与该样本图像集合中每张样本图像对应的多尺度的原始特征图;对应的,该增量特征图生成单元603进一步被配置成,利用设置在每个该下采样层与解码器中的上采样层之间的混合层,对相应尺度的原始特征图按照该目标混合方式进行混合,并将混合后的增量特征图输出给该上采样层;对应的,该图像分割模型生成单元604进一步被配置成,利用经各该上采样层融合后的特征图,训练得到该图像分割模型。
如图7所示,本实施例的图像分割装置700可以包括:待分割图像获取单元701、图像分割模型调用单元702。其中待分割图像获取单元701,被配置成获取待分割图像;图像分割模型调用单元702,被配置成调用图像分割模型对该待分割图像进行图像分割;其中,图像分割模型根据图像分割模型训练装置600得到。
在本实施例中,图像分割装置700中:待分割图像获取单元701、图像分割模型调用单元702的具体处理及其所带来的技术效果可分别对应方法实施例中的相关说明,在此不再赘述。
本实施例作为对应于上述方法实施例的装置实施例存在,本实施例提供的图像分割模型训练装置以及图像分割装置,在获取样本图像后,确定与样本图像对应的原始特征图后,并根据目标混合方式对原始特征图进行混合,以得到总量少于原始特征图总数的增量特征图,并基于该增量特征图训练得到图像分割模型,以将原始特征图混合得到增量特征图的方式,对样本图像在特征层面进行混合,在保留用于训练得到图像分割模型的特征的前提下,减少用于训练图像分割模型的样本图像数量,可以在达到相同模型训练效果的情况下,减少图像分割模型训练时的运算资源的需求和对模型进行训练时所耗费的运算量,以提升模型训练效率。
根据本公开的实施例,本公开还提供了一种电子设备,该电子设备包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,该指令被至少一个处理器执行,以使至少一个处理器执行时能够实现上述任一实施例描述的图像分割模型训练方法和/或图像分割方法。
根据本公开的实施例,本公开还提供了一种可读存储介质,该可读存储介质存储有计算机指令,该计算机指令用于使计算机执行时能够实现上述任一实施例描述的图像分割模型训练方法和/或图像分割方法。
本公开实施例提供了一种计算机程序产品,该计算机程序在被处理器执行时能够实现上述任一实施例描述的图像分割模型训练方法和/或图像分割方法。
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示,设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM 803中,还可存储设备800操作所需的各种程序和数据。计算单元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。
设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理,例如图像分割模型训练方法和/或图像分割方法。例如,在一些实施例中,图像分割模型训练方法和/或图像分割方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行上文描述的图像分割模型训练方法和/或图像分割方法的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行图像分割模型训练方法和/或图像分割方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大,业务扩展性弱的缺陷。
本公开实施例的技术方案,在获取样本图像后,确定与样本图像对应的原始特征图后,并根据目标混合方式对原始特征图进行混合,以得到总量少于原始特征图总数的增量特征图,并基于该增量特征图训练得到图像分割模型,以将原始特征图混合得到增量特征图的方式,对样本图像在特征层面进行混合,在保留用于训练得到图像分割模型的特征的前提下,减少用于训练图像分割模型的样本图像数量,可以在达到相同模型训练效果的情况下,减少图像分割模型训练时的运算资源的需求和对模型进行训练时所耗费的运算量,以提升模型训练效率。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (12)
1.一种图像分割模型训练方法,包括:
获取样本图像集合;
确定与所述样本图像集合中每张样本图像对应的原始特征图;
根据所述图像分割模型的图像分割精度要求,确定单次混合数量和特征图混合面积,从各所述原始特征图中任选出数量为所述单次混合数量的目标原始特征图;将各所述目标原始特征图按照重叠所述特征图混合面积的方式进行混合,得到增量特征图;
基于所述增量特征图训练得到图像分割模型;
响应于所述特征图混合面积小于任意所述目标原始特征图的实际面积,根据各所述目标原始特征图中各像素点的相似性,在各所述目标原始特征图中确定面积为所述特征图混合面积的特征图混合区域;
对应的,所述将各所述目标原始特征图按照重叠所述特征图混合面积的方式进行混合,包括:混合各所述目标原始特征图的特征图混合区域。
2.根据权利要求1所述的方法,其中,所述将各所述目标原始特征图按照重叠所述特征图混合面积的方式进行混合,包括:
响应于所述单次混合数量为2,将两张所述目标原始特征图采用二值掩膜的方式进行混合;其中,所述二值掩膜的方式指以将两张不同的目标原始特征图中的像素点以分别置1和置0的方式进行混合。
3.根据权利要求1所述的方法,还包括:
控制所述增量特征图的数量与所述单次混合数量成正比;
和/或
控制所述增量特征图的数量与所述特征图混合面积成反比。
4.根据权利要求1-3任一项所述的方法,其中,响应于所述图像分割模型属于编码解码类模型,所述确定与所述样本图像集合中每张样本图像对应的原始特征图,包括:
利用所述图像分割模型的编码器中的多个下采样层,分别提取出与所述样本图像集合中每张样本图像对应的多尺度的原始特征图;
对应的,所述按照所述目标混合方式混合各所述原始特征图,得到增量特征图,包括:
利用设置在每个所述下采样层与解码器中的上采样层之间的混合层,对相应尺度的原始特征图按照所述目标混合方式进行混合,并将混合后的增量特征图输出给所述上采样层;
对应的,所述基于所述增量特征图训练得到图像分割模型,包括:
利用经各所述上采样层融合后的特征图,训练得到所述图像分割模型。
5.一种图像分割方法,包括:
获取待分割图像;
调用图像分割模型对所述待分割图像进行图像分割;其中,所述分割图像模型根据权利要求1-4中任一项所述的图像分割模型训练方法训练得到。
6.一种图像分割模型训练装置,包括:
训练样本获取单元,被配置成获取样本图像集合;
原始特征图生成单元,被配置成确定与所述样本图像集合中每张样本图像对应的原始特征图;
增量特征图生成单元,包括:混合参数确定子单元,被配置成根据所述图像分割模型的图像分割精度要求,确定单次混合数量和特征图混合面积;特征图选取子单元,被配置成从各所述原始特征图中任选出数量为所述单次混合数量的目标原始特征图;特征图混合子单元,被配置成将各所述目标原始特征图按照重叠所述特征图混合面积的方式进行混合,得到增量特征图;
图像分割模型生成单元,被配置成基于所述增量特征图训练得到图像分割模型;
所述增量特征图生成单元中,还包括:特征图混合区域确定子单元,被配置成响应于所述特征图混合面积小于任意所述目标原始特征图的实际面积,根据各所述目标原始特征图中各像素点的相似性,在各所述目标原始特征图中确定面积为所述特征图混合面积的特征图混合区域;
对应的,所述特征图混合子单元进一步被配置成,混合各所述目标原始特征图的特征图混合区域。
7.根据权利要求6所述的装置,其中,所述特征图混合子单元进一步被配置成,响应于所述单次混合数量为2,将两张所述目标原始特征图采用二值掩膜的方式进行混合;其中,所述二值掩膜的方式指以将两张不同的目标原始特征图中的像素点以分别置1和置0的方式进行混合。
8.根据权利要求6所述的装置,所述增量特征图生成单元中,还包括:
增量特征图数量控制子单元,被配置成控制所述增量特征图的数量与所述单次混合数量成正比;
和/或
控制所述增量特征图的数量与所述特征图混合面积成反比。
9.根据权利要求6-8任一项所述的装置,其中,响应于所述图像分割模型属于编码解码类模型,所述原始特征图生成单元进一步被配置成,利用所述图像分割模型的编码器中的多个下采样层,分别提取出与所述样本图像集合中每张样本图像对应的多尺度的原始特征图;
对应的,所述增量特征图生成单元进一步被配置成,利用设置在每个所述下采样层与解码器中的上采样层之间的混合层,对相应尺度的原始特征图按照所述目标混合方式进行混合,并将混合后的增量特征图输出给所述上采样层;
对应的,所述图像分割模型生成单元进一步被配置成,利用经各所述上采样层融合后的特征图,训练得到所述图像分割模型。
10.一种图像分割装置,包括:
待分割图像获取单元,被配置成获取待分割图像;
图像分割模型调用单元,被配置成调用图像分割模型对所述待分割图像进行图像分割;其中,所述图像分割模型根据权利要求6-9中任一项所述的图像分割模型训练装置得到。
11.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-4中任一项所述的图像分割模型训练方法和/或权利要求5所述的图像分割方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-4中任一项所述的图像分割模型训练方法和/或权利要求5所述的图像分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110734668.9A CN113361535B (zh) | 2021-06-30 | 2021-06-30 | 图像分割模型训练、图像分割方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110734668.9A CN113361535B (zh) | 2021-06-30 | 2021-06-30 | 图像分割模型训练、图像分割方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113361535A CN113361535A (zh) | 2021-09-07 |
CN113361535B true CN113361535B (zh) | 2023-08-01 |
Family
ID=77537379
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110734668.9A Active CN113361535B (zh) | 2021-06-30 | 2021-06-30 | 图像分割模型训练、图像分割方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113361535B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115908441B (zh) * | 2023-01-06 | 2023-10-10 | 北京阿丘科技有限公司 | 图像分割方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034218A (zh) * | 2018-07-11 | 2018-12-18 | 东软集团股份有限公司 | 模型训练方法、装置、设备及存储介质 |
US10580142B1 (en) * | 2014-06-23 | 2020-03-03 | Hrl Laboratories, Llc | System and method for self-organized critical image segmentation |
WO2020143309A1 (zh) * | 2019-01-09 | 2020-07-16 | 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 |
CN112163634A (zh) * | 2020-10-14 | 2021-01-01 | 平安科技(深圳)有限公司 | 实例分割模型样本筛选方法、装置、计算机设备及介质 |
CN112949767A (zh) * | 2021-04-07 | 2021-06-11 | 北京百度网讯科技有限公司 | 样本图像增量、图像检测模型训练及图像检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10229493B2 (en) * | 2016-03-16 | 2019-03-12 | International Business Machines Corporation | Joint segmentation and characteristics estimation in medical images |
-
2021
- 2021-06-30 CN CN202110734668.9A patent/CN113361535B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10580142B1 (en) * | 2014-06-23 | 2020-03-03 | Hrl Laboratories, Llc | System and method for self-organized critical image segmentation |
CN109034218A (zh) * | 2018-07-11 | 2018-12-18 | 东软集团股份有限公司 | 模型训练方法、装置、设备及存储介质 |
WO2020143309A1 (zh) * | 2019-01-09 | 2020-07-16 | 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 |
CN112163634A (zh) * | 2020-10-14 | 2021-01-01 | 平安科技(深圳)有限公司 | 实例分割模型样本筛选方法、装置、计算机设备及介质 |
CN112949767A (zh) * | 2021-04-07 | 2021-06-11 | 北京百度网讯科技有限公司 | 样本图像增量、图像检测模型训练及图像检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113361535A (zh) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113343982B (zh) | 多模态特征融合的实体关系提取方法、装置和设备 | |
KR20220122566A (ko) | 텍스트 인식 모델의 트레이닝 방법, 텍스트 인식 방법 및 장치 | |
EP3876197A2 (en) | Portrait extracting method and apparatus, electronic device and storage medium | |
CN113393371B (zh) | 一种图像处理方法、装置及电子设备 | |
CN113407610B (zh) | 信息抽取方法、装置、电子设备和可读存储介质 | |
CN113657395B (zh) | 文本识别方法、视觉特征提取模型的训练方法及装置 | |
CN112989970A (zh) | 文档版面分析方法、装置、电子设备及可读存储介质 | |
CN112949767A (zh) | 样本图像增量、图像检测模型训练及图像检测方法 | |
CN114792355B (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
CN115565177B (zh) | 文字识别模型训练、文字识别方法、装置、设备及介质 | |
US20220343512A1 (en) | Method and apparatus of processing image, electronic device, and storage medium | |
CN113705362A (zh) | 图像检测模型的训练方法、装置、电子设备及存储介质 | |
CN114202648B (zh) | 文本图像矫正方法、训练方法、装置、电子设备以及介质 | |
CN113361535B (zh) | 图像分割模型训练、图像分割方法及相关装置 | |
CN113762109B (zh) | 一种文字定位模型的训练方法及文字定位方法 | |
CN113570608B (zh) | 目标分割的方法、装置及电子设备 | |
CN116402914A (zh) | 用于确定风格化图像生成模型的方法、装置及产品 | |
CN114494782B (zh) | 图像处理方法、模型训练方法、相关装置及电子设备 | |
CN113361536B (zh) | 图像语义分割模型训练、图像语义分割方法及相关装置 | |
CN113610856B (zh) | 训练图像分割模型和图像分割的方法和装置 | |
CN115937537A (zh) | 一种目标图像的智能识别方法、装置、设备及存储介质 | |
CN116311298A (zh) | 信息生成方法、信息处理方法、装置、电子设备以及介质 | |
CN114549904A (zh) | 视觉处理及模型训练方法、设备、存储介质及程序产品 | |
CN114187318A (zh) | 图像分割的方法、装置、电子设备以及存储介质 | |
CN113947146A (zh) | 样本数据生成方法、模型训练方法、图像检测方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |