CN114139701A - 一种用于边界线提取的神经网络模型训练方法及相关设备 - Google Patents

Abstract

本申请实施例公开了一种用于边界线提取的神经网络模型训练方法：获取预设数据集及预设堆叠网络模型，所述预设数据集包括多张图像；对第一数据集进行标注，标注内容为所述图像中的边界线部分，所述第一数据集属于所述预设数据集；使用标注后的所述第一数据集对所述预设堆叠网络模型进行训练，得到第一堆叠网络模型。基于本方案可知，本方案提供了一种用于边界线提取的神经网络模型，使用该模型可替代原有的人工手动标注建筑物边界的方式，无需消耗过多的时间与精力，提高了边界线标注过程的便捷性。

Description

一种用于边界线提取的神经网络模型训练方法及相关设备

技术领域

本申请属于互联网技术领域，尤其涉及一种用于边界线提取的神经网络模型训练方法及相关设备。

背景技术

随着国家经济的发展，我国城市化率不断提高。随之而来的是城市建筑物和空间格局的频繁变化，因此及时掌握城市内建筑和空间格局变化建筑物对城市的布局发展与规划具有重要的战略意义。三维变化检测是城市三维建筑模型更新、违法建筑查找、进行城市规划等应用的核心技术，在数字城市建设中有举足轻重的意义。而三维变化检测首先需要的就是对城市进行三维重建，其中建筑物轮廓提取是三维重建中极为重要的一部分。

目前所采用的建筑物轮廓提取方法为人工手动标注，这一方式需要消耗大量的时间精力，存在一定的不便性与局限性。

发明内容

本申请实施例第一方面提供了一种用于边界线提取的神经网络模型训练方法，包括：

获取预设数据集及预设堆叠网络模型，所述预设数据集包括多张图像；

对第一数据集进行标注，标注内容为所述图像中的边界线部分，所述第一数据集属于所述预设数据集；

使用标注后的所述第一数据集对所述预设堆叠网络模型进行训练，得到第一堆叠网络模型。

基于本申请实施例第一方面提供的边界线提取的神经网络模型训练方法，可选的，包括：

使用第一堆叠模型处理所述预设数据集，得到第一处理结果；

判断所述第一处理结果是否符合预设要求；

若所述第一处理结果不符合所述预设要求，则对第二数据集进行标注，所述第二数据集所包括的图像属于所述预设数据集；

使用标注后的所述第二数据集对所述第一堆叠网络模型进行训练，得到第二堆叠模型。

基于本申请实施例第一方面提供的边界线提取的神经网络模型训练方法，可选的，

所述对第一数据集进行标注，包括：

使用边缘检测算法，确定所述第一数据集中各个图像中所包括的边界线。

基于本申请实施例第一方面提供的边界线提取的神经网络模型训练方法，其特征在于，

所述第二数据集包括第一处理结果。

本申请实施例第二方面提供了一种用于边界线提取的神经网络模型的使用方法，包括：

确定目标图像；

将目标图像输入堆叠网络模型，得到处理结果，所述堆叠网络模型包括第一堆叠网络模型或第二堆叠网络模型。

本申请实施例第三方面提供了一种用于边界线提取的神经网络模型训练设备，包括：

获取单元，所述获取单元用于获取预设数据集及预设堆叠网络模型，所述预设数据集包括多张图像；

标注单元，所述标注单元用于对第一数据集进行标注，标注内容为所述图像中的边界线部分，所述第一数据集属于所述预设数据集；

训练单元，所述训练单元用于使用标注后的所述第一数据集对所述预设堆叠网络模型进行训练，得到第一堆叠网络模型。

本申请实施例第四方面提供了一种用于边界线提取的神经网络模型的使用设备，包括：

确定单元，所述确定单元确定目标图像；

输入单元，所述输入单元将目标图像输入堆叠网络模型，得到处理结果，所述堆叠网络模型包括第一堆叠网络模型或第二堆叠网络模型。

本申请实施例第五方面提供了一种用于边界线提取的神经网络模型训练设备，包括：

中央处理器，存储器，输入输出接口，有线或无线网络接口以及电源；

所述存储器为短暂存储存储器或持久存储存储器；

所述中央处理器配置为与所述存储器通信，在所述设备上执行所述存储器中的指令操作以执行本申请实施例第一方面中任意一项所述的方法。

本申请实施例第六方面提供了一种计算机可读存储介质，包括指令，当所述指令在计算机上运行时，使得计算机执行如本申请实施例第一方面中任意一项所述的方法。

本申请实施例第七方面提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行如本申请实施例第一方面中任意一项所述的方法。

从以上技术方案可以看出，本申请实施例具有以下优点：本方案提供了一种用于边界线提取的神经网络模型训练方法，包括：获取预设数据集及预设堆叠网络模型，所述预设数据集包括多张图像；对第一数据集进行标注，标注内容为所述图像中的边界线部分，所述第一数据集属于所述预设数据集；使用标注后的所述第一数据集对所述预设堆叠网络模型进行训练，得到第一堆叠网络模型。基于本方案可知，本方案提供了一种用于边界线提取的神经网络模型，使用该模型可替代原有的人工手动标注建筑物边界的方式，无需消耗过多的时间与精力，提高了边界线标注过程的便捷性。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。可以理解的是，本部分所提供的附图仅用于更好地理解本方案，不构成对本申请的限定。

图1为本申请所提供的用于边界线提取的神经网络模型训练方法实施例的一个流程示意图；

图2为本申请所提供的堆叠网络模型工作及训练过程的一个示意图；

图3为本申请所提供的用于边界线提取的神经网络模型训练方法实施例的另一个流程示意图；

图4为本申请所提供的用于边界线提取的神经网络模型训练方法实施例的另一个流程示意图；

图5为本申请所提供的用于边界线提取的神经网络模型使用方法实施例的一个流程示意图；

图6为本申请所提供的用于边界线提取的神经网络模型训练设备实施例的一个结构示意图；

图7为本申请所提供的用于边界线提取的神经网络模型训练设备实施例的另一个结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。同时，为了描述清楚和简明，以下的描述中省略了对公知的功能和结构的描述。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

随着国家经济的发展，我国城市化率不断提高。随之而来的是城市建筑物和空间格局的频繁变化，因此及时掌握城市内建筑和空间格局变化建筑物对城市的布局发展与规划具有重要的战略意义。三维变化检测是城市三维建筑模型更新、违法建筑查找、进行城市规划等应用的核心技术，在数字城市建设中有举足轻重的意义。而三维变化检测首先需要的就是对城市进行三维重建，其中建筑物轮廓提取是三维重建中极为重要的一部分，使用一种合适的线框检测算法并将其真正应用于建筑物轮廓提取是有实际的研究意义的。

随着国家经济的发展，我国城市化率不断提高。随之而来的是城市建筑物和空间格局的频繁变化，因此及时掌握城市内建筑和空间格局变化建筑物对城市的布局发展与规划具有重要的战略意义。三维变化检测是城市三维建筑模型更新、违法建筑查找、进行城市规划等应用的核心技术，在数字城市建设中有举足轻重的意义。而三维变化检测首先需要的就是对城市进行三维重建，其中建筑物轮廓提取是三维重建中极为重要的一部分。目前所采用的建筑物轮廓提取方法为人工手动标注，这一方式需要消耗大量的时间精力，存在一定的不便性与局限性。

为解决上述问题，本申请提供了一种用于边界线提取的神经网络模型训练方法，请参阅图1，本申请所提供的用于边界线提取的神经网络模型训练的一个实施例包括：步骤101-步骤103。

步骤101、获取预设数据集及预设堆叠网络模型。

具体的，获取预设数据集及预设堆叠网络模型。所述预设数据集包括多张图像，多张图像可为包括城市建筑物的图像，可为空中对城市俯拍的图像，对于后续用于城市布局和发展规划过程有较高的使用意义，预设堆叠网络模型(Stacked Hourglass Networks)的形式及工作流程可参照图2，此处不做赘述。

步骤102、对第一数据集进行标注。

具体的，对第一数据集进行标注，标注内容为所述图像中的边界线部分，所述第一数据集属于所述预设数据集。即从预设数据集中挑选出部分图像作为第一数据集，并对第一数据集内的各张图像进行标注，标注图像中所包括的边界线部分，具体的可人为手动进行标注，确定图像中的建筑边界线，也可通过边缘识别算法实现，具体边界线确定方式可依据实际情况而定，此处不做限定。

步骤103、使用标注后的所述第一数据集对所述预设堆叠网络模型进行训练，得到第一堆叠网络模型。

具体的，使用标注后的所述第一数据集对所述预设堆叠网络模型进行训练，得到第一堆叠网络模型。训练过程可参照现有的堆叠网络模型训练过程，具体可依据实际情况而定，此处不做限定。所得到的第一堆叠网络模型即可用于对不同的图像进行边界线识别，确定图像中所包括的边界线部分。

从以上技术方案可以看出，本申请实施例具有以下优点：本方案提供了一种用于边界线提取的神经网络模型训练方法，包括：获取预设数据集及预设堆叠网络模型，所述预设数据集包括多张图像；对第一数据集进行标注，标注内容为所述图像中的边界线部分，所述第一数据集属于所述预设数据集；使用标注后的所述第一数据集对所述预设堆叠网络模型进行训练，得到第一堆叠网络模型。基于本方案可知，本方案提供了一种用于边界线提取的神经网络模型，使用该模型可替代原有的人工手动标注建筑物边界的方式，无需消耗过多的时间与精力，提高了边界线标注过程的便捷性。

为便于在实际过程中使用本方法，本申请还提供了一种可选择实施的更为详细的实施例，请参阅图3，本申请所提供的用于边界线提取的神经网络模型训练方法的一个实施例包括：步骤301-步骤305。

301、获取预设数据集及预设堆叠网络模型。

具体的，获取预设数据集及预设堆叠网络模型。所述预设数据集包括多张图像，多张图像可为包括城市建筑物的图像，可为空中对城市俯拍的图像，对于后续用于城市布局和发展规划过程有较高的使用意义，预设堆叠网络模型(Stacked Hourglass Networks)的形式及工作流程可参照图2，此处不做赘述。

302、使用边缘检测算法，确定所述第一数据集中各个图像中所包括的边界线

具体的，使用边缘检测算法，确定所述第一数据集中各个图像中所包括的边界线，具体过程可包括：将图片按512*512且重合率百分之五十来进行切割，主要使用按照像素点位置平移的方式，得到切割好的图片后，对掩膜图像中的边框进行提取，主要利用了边缘检测方面的知识，使用了Canny相关算法，通过提取后获得了图像中多边形的顶点坐标信息，再对数据集的标签文件格式进行分析，最后将得到的信息按照该格式创建新的标签文件，成功的把用于语义分割的数据集转换为所需要的数据集。所述第一数据集属于所述预设数据集。即从预设数据集中挑选出部分图像作为第一数据集，并进行上述处理过程，已得到标注后的第一数据集。

303、使用标注后的所述第一数据集对所述预设堆叠网络模型进行训练，得到第一堆叠网络模型。

具体的：使用标注后的所述第一数据集对所述预设堆叠网络模型进行训练，得到第一堆叠网络模型。对于需要从头开始进行标注的项目来说，可以先对少量原图进行标注，当然这个标注的量也不应该太少，数据集的数量至少要能训练出一个可以对识别出测试图片中的少量目标，也就是利用这个图片能训练出一个模型(虽然这个模型因为数据集太少预测效果可能特别差)。

304、使用第一堆叠模型处理所述预设数据集，得到第一处理结果。

具体的，使用第一堆叠模型处理所述预设数据集，得到第一处理结果。直接利用第一堆叠模型去预测一部分新的图片，得到的预测结果会很差，但是能识别出图中的一部分。即得到第一处理结果。

305、判断所述第一处理结果是否符合预设要求。

具体的，判断所述第一处理结果是否符合预设要求。预设要求为预先设置，一般为识别率要求，也可认为人为进行评价，判断所述第一处理结果是否符合预设要求，若第一处理结果已经识别出了图像中所具有的所有或大部分边界线，则说明第一堆叠模型的性能良好，无需进行再次训练，可以直接使用第一堆叠模型进行边界线识别，结束流程。然而一般而言用这个模型去预测一部分新图片，得到的预测结果会很差，但是能识别出图中的一部分。即第一堆叠模型的性能较差，需要进行继续训练，则执行步骤306、对第二数据集进行标注。

306、对第二数据集进行标注

具体的，第二数据集中包括的图像为第一处理结果，即第一堆叠模型的输出结果，把这次预测结果和原图再次用labelme读入，因为其中有已经有部分预测好的点，对于识别出错的部分，需要进行一些修改，而对于没有识别的部分，还需要再次进行标注，但是这次标注一张图花费的时间应该会比第一次标注花费的时间更短。通过这次标注，又得到一部分数据集，即第二数据集。

具体的，要想对输出的预测结果进行再标注，需要先预测得到点和原图读入到labelme中，分析其结构可知，该文件主要分为两大类，一类是用于描述标签文件的，包含点的位置信息等内容，另一类是用于记录未经标注的图片信息，主要有imageData即图像的Base64格式。接下来先写出模仿该结构创建文件的代码，再将预测到的点读入其中即可。

307、使用标注后的所述第二数据集对所述第一堆叠网络模型进行训练，得到第二堆叠模型。

具体的，使用标注后的所述第二数据集对所述第一堆叠网络模型进行训练，得到第二堆叠模型。将第一次标注得到的模型在这部分新数据集上进行训练，训练后会得到一个目标识别率更高的模型，再次用这个新的模型来进行识别，循环往复，直到得到自己想要的模型。即在第一次得到第二堆叠模型后，重复识别率判断过程，若识别率仍无法满足要求，则再标注部分数据，并再次训练，具体的训练过程可参照图4，此处不做赘述。

使用这种工作流，极大的缩短了在数据集标注上花费的时间，原先花了八天的时间，才标注出了200张左右图片，在第二次进行标注时，仅仅花了20天左右，就标注出了差不多近1000张的图片，极大的提高了工作效率。

从以上技术方案可以看出，本申请实施例具有以下优点：本方案提供了一种用于边界线提取的神经网络模型训练方法，包括：获取预设数据集及预设堆叠网络模型，所述预设数据集包括多张图像；对第一数据集进行标注，标注内容为所述图像中的边界线部分，所述第一数据集属于所述预设数据集；使用标注后的所述第一数据集对所述预设堆叠网络模型进行训练，得到第一堆叠网络模型。基于本方案可知，本方案提供了一种用于边界线提取的神经网络模型，使用该模型可替代原有的人工手动标注建筑物边界的方式，无需消耗过多的时间与精力，提高了边界线标注过程的便捷性。

基于上述图1和图3所提供的用于边界线提取的神经网络模型训练方法，本申请还提供了一种用于边界线提取的神经网络模型使用方法，具体的，请参照图5，包括：

501、确定目标图像。

具体的，目标图像可为包括城市建筑物的图像，可为空中对城市俯拍的图像，对于后续用于城市布局和发展规划过程有较高的使用意义，目标图像的来源和形式可依据实际情况而定，此处不做限定。

502、将目标图像输入堆叠网络模型，得到处理结果。

具体的，将目标图像输入堆叠网络模型，得到处理结果。所述堆叠网络模型可为上述图1所述的第一堆叠网络模型，或如上述图3所述的第二堆叠网络模型，具体可依据实际情况而定，此处不做限定。

使用该模型可替代原有的人工手动标注建筑物边界的方式，无需消耗过多的时间与精力，提高了边界线标注过程的便捷性。

上述内容对本申请所提供的用于边界线提取的神经网络模型训练方法方法进行了描述，为支持上述实施例的实施，本申请还提供了一种用于边界线提取的神经网络模型训练设备，请参阅图6，本申请用于边界线提取的神经网络模型训练设备的一个实施例包括：

获取单元601，所述获取单元用于获取预设数据集及预设堆叠网络模型，所述预设数据集包括多张图像；

标注单元602，所述标注单元用于对第一数据集进行标注，标注内容为所述图像中的边界线部分，所述第一数据集属于所述预设数据集；

训练单元603，所述训练单元用于使用标注后的所述第一数据集对所述预设堆叠网络模型进行训练，得到第一堆叠网络模型。

本实施例中，各单元所执行的流程与前述图1或图3所对应的实施例中描述的方法流程类似，此处不再赘述。

本申请还提供了一种用于边界线提取的神经网络模型使用设备，包括：

确定单元，所述确定单元确定目标图像；

输入单元，所述输入单元将目标图像输入堆叠网络模型，得到处理结果，所述堆叠网络模型包括第一堆叠网络模型或第二堆叠网络模型，所述第一堆叠网络模型或第二堆叠网络模型为图1或图3所对应的实施例中描述的堆叠网络模型，此处不再赘述。

图7示出了可以用来实施本申请的用于边界线提取的神经网络模型训练设备实施例的示例电子设备700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/或者要求的本申请的实现。

如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700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701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701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701执行上文所描述的各个方法和处理，例如用于边界线提取的神经网络模型训练方法。例如，在一些实施例中，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708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的用于边界线提取的神经网络模型训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行用于边界线提取的神经网络模型训练方法。

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。

用于实施本申请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。

在本申请的上下文中，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。

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)、互联网和区块链网络。

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，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，电路的等效变换，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换或改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种用于边界线提取的神经网络模型训练方法，其特征在于，包括：

获取预设数据集及预设堆叠网络模型，所述预设数据集包括多张图像；

对第一数据集进行标注，标注内容为所述图像中的边界线部分，所述第一数据集属于所述预设数据集；

使用标注后的所述第一数据集对所述预设堆叠网络模型进行训练，得到第一堆叠网络模型。

2.根据权利要求1所述的边界线提取的神经网络模型训练方法，其特征在于，包括：

使用第一堆叠模型处理所述预设数据集，得到第一处理结果；

判断所述第一处理结果是否符合预设要求；

若所述第一处理结果不符合所述预设要求，则对第二数据集进行标注，所述第二数据集所包括的图像属于所述预设数据集；

使用标注后的所述第二数据集对所述第一堆叠网络模型进行训练，得到第二堆叠模型。

3.根据权利要求1所述的边界线提取的神经网络模型训练方法，其特征在于，

所述对第一数据集进行标注，包括：

使用边缘检测算法，确定所述第一数据集中各个图像中所包括的边界线。

4.根据权利要求2所述的边界线提取的神经网络模型训练方法，其特征在于，

所述第二数据集包括第一处理结果。

5.一种用于边界线提取的神经网络模型的使用方法，其特征在于，包括：

确定目标图像；

将目标图像输入堆叠网络模型，得到处理结果，所述堆叠网络模型包括第一堆叠网络模型或第二堆叠网络模型，所述第一堆叠网络模型为如权利要求1或权利要求3所述的第一堆叠网络模型，所述第二堆叠网络模型为如权利要求2或权利要求4所述的第二堆叠网络模型。

6.一种用于边界线提取的神经网络模型训练设备，其特征在于，包括：

获取单元，所述获取单元用于获取预设数据集及预设堆叠网络模型，所述预设数据集包括多张图像；

标注单元，所述标注单元用于对第一数据集进行标注，标注内容为所述图像中的边界线部分，所述第一数据集属于所述预设数据集；

训练单元，所述训练单元用于使用标注后的所述第一数据集对所述预设堆叠网络模型进行训练，得到第一堆叠网络模型。

7.一种用于边界线提取的神经网络模型的使用设备，其特征在于，包括：

确定单元，所述确定单元确定目标图像；

输入单元，所述输入单元将目标图像输入堆叠网络模型，得到处理结果，所述堆叠网络模型包括第一堆叠网络模型或第二堆叠网络模型，所述第一堆叠网络模型为如权利要求1或权利要求3所述的第一堆叠网络模型，所述第二堆叠网络模型为如权利要求2或权利要求4所述的第二堆叠网络模型。

8.一种用于边界线提取的神经网络模型训练设备，其特征在于，包括：

中央处理器，存储器，输入输出接口，有线或无线网络接口以及电源；

所述存储器为短暂存储存储器或持久存储存储器；

所述中央处理器配置为与所述存储器通信，在所述神经网络模型训练设备上执行所述存储器中的指令操作以执行如权利要求1至4中任意一项所述的方法。

9.一种计算机可读存储介质，其特征在于，包括指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1至4中任意一项所述的方法。

10.一种包含指令的计算机程序产品，其特征在于，当其在计算机上运行时，使得计算机执行如权利要求1至4中任意一项所述的方法。

Images