CN114463354A - 图像分割模型的处理方法、装置、设备及存储介质 - Google Patents
图像分割模型的处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114463354A CN114463354A CN202210134701.9A CN202210134701A CN114463354A CN 114463354 A CN114463354 A CN 114463354A CN 202210134701 A CN202210134701 A CN 202210134701A CN 114463354 A CN114463354 A CN 114463354A
- Authority
- CN
- China
- Prior art keywords
- image
- distance
- detection target
- loss function
- sample image
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了图像分割模型的处理方法、装置、设备及存储介质,涉及计算机视觉领域,尤其涉及深度学习领域。具体实现方案为:利用图像分割模型在样本图像中确定与检测目标对应的预测区域;基于样本图像中的检测目标的中心点与检测目标的每个像素点之间的距离,以及中心点与预测区域的每个像素点之间的距离,确定样本图像对应的第一损失函数值;根据第一损失函数值调整图像分割模型的参数。根据本公开的技术,可以提高图像分割模型的分割性能。
Description
技术领域
本公开涉及计算机视觉技术领域,尤其涉及深度学习技术领域。
背景技术
图像分割是计算机视觉的基础,是图像理解的重要组成部分。所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域,使得这些特征在同一区域内表现出一致性或相似性,而在不同区域间表现出明显的不同。而在使用深度学习技术进行图像分割的过程中,损失函数的设计,是影响图像分割性能的关键因素。
发明内容
本公开提供了一种图像分割模型的处理方法、装置、设备及存储介质。
根据本公开的一方面,提供了一种图像分割模型的处理方法,包括:
利用图像分割模型在样本图像中确定与检测目标对应的预测区域;
基于样本图像中的检测目标的中心点与检测目标的每个像素点之间的距离,以及中心点与预测区域的每个像素点之间的距离,确定样本图像对应的第一损失函数值;
根据第一损失函数值调整图像分割模型的参数。
根据本公开的另一方面,提供了一种图像处理方法,包括:
利用图像分割模型对待处理图像进行图像分割,确定待处理图像中的至少一个目标区域;其中,图像分割模型是根据本公开实施例中任意一种图像分割模型的处理方法调整得到的。
根据本公开的另一方面,提供了图像分割模型的处理装置包括:
确定模块,用于利用图像分割模型在样本图像中确定与检测目标对应的预测区域;
第一处理模块,用于基于样本图像中的检测目标的中心点与检测目标的每个像素点之间的距离,以及中心点与预测区域的每个像素点之间的距离,确定样本图像对应的第一损失函数值;
第二处理模块,用于根据第一损失函数值调整图像分割模型的参数。
根据本公开的另一方面,提供了图像处理装置包括:
图像处理模块,用于利用图像分割模型对待处理图像进行图像分割,确定待处理图像中的至少一个目标区域;其中,图像分割模型是根据本公开实施例中任意一种图像分割模型的处理方法调整得到的。
根据本公开的另一方面,提供了一种电子设备,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,指令被至少一个处理器执行,以使至少一个处理器能够执行本公开实施例中任意一种图像分割模型的处理方法。
根据本公开的另一方面,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,其中,计算机指令用于使计算机执行本公开实施例中任意一种任务处理方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现本公开实施例中任意一种图像分割模型的处理方法。
上述申请中的一个实施例具有如下优点或有益效果:基于样本图像中的检测目标的中心点与检测目标的每个像素点之间的距离,以及中心点与预测区域的每个像素点之间的距离,确定样本图像对应的第一损失函数值,考虑到了距离对图像分割模型的分割性能的影响,所以通过第一损失函数值调整图像分割模型的参数,能够准确地引导图像分割模型的优化方向,提高图像分割模型在训练时的收敛速度。又由于样本图像中的检测目标的中心点与检测目标的每个像素点之间的距离,以及中心点与预测区域的每个像素点之间的距离可以表征检测目标和预测区域的形状,考虑到了形状对图像分割模型的的分割性能的影响,所以通过第一损失函数值调整图像分割模型的参数,有效提高训练好的图像分割模型的分割性能。
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
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开一实施例的图像分割模型的处理方法的流程图;
图2是根据本公开另一实施例的图像分割模型的处理方法的流程图;
图3A是本公开实施例中检测目标与预测区域的交集面积的示意图一;
图3B是本公开实施例中检测目标与预测区域的交集面积的示意图二;
图4是根据本公开另一实施例的图像分割模型的处理方法中多个检测目标与多个目标区域的示意图;
图5是根据本公开一实施例的图像处理方法的流程图;
图6是根据本公开一实施例的图像分割模型的处理装置的框图;
图7是根据本公开另一实施例的图像分割模型的处理装置的框图;
图8是根据本公开一实施例的图像处理装置的框图;
图9是用来实现本公开实施例的图像分割模型的处理方法的电子设备的框图。
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。
图1是根据本公开一实施例的图像分割模型的处理方法的流程图。如图1所示,该方法可以包括:
S101、利用图像分割模型在样本图像中确定与检测目标对应的预测区域;
S102、基于样本图像中的检测目标的中心点与检测目标的每个像素点之间的距离,以及中心点与预测区域的每个像素点之间的距离,确定样本图像对应的第一损失函数值;
S103、根据第一损失函数值调整图像分割模型的参数。
在步骤S101中,示例性地,图像分割模型可以是训练好的全卷积网络(FCN,FullyConvolutional Network),还可以是训练好的实例分割模型(Deep Mask)、基于遗传算法(GA,Genetic Algorithm)的图像分割模型等。需要说明的是,不同的图像分割模型,在训练时所需要调整的参数不同,可以根据实际情况进行调整,在此不做限定。
示例性地,样本图像可以是交通的路况图像,还可以是卫星图像,还可以是人脸图像,还可以是医学图像、如肺部图像等。当样本图像是交通的路况图像时,检测目标可以是目标车辆、目标车道线等;当样本图像是卫星图像时,检测目标可以是目标建筑物等;当样本图像是人脸图像时,检测目标可以是目标人脸;当样本图像是肺部图像时,检测目标可以是肺结节。
在本实施例中,以样本图像是肺部图像为例进行说明。将肺部图像中的肺结节进行标记,再根据图像分割模型对肺部图像进行分割,得到肺部图像中的肺结节对应的预测区域,并在样本图像上对预测区域进行标记。
在步骤S102中,示例性地,可以根据OpenCV计算样本图像中检测目标的中心点坐标,再确定检测目标中每个像素点的坐标及预测区域中每个像素点的坐标。根据检测目标的中心点坐标和检测目标中每个像素点的坐标,得到检测目标的中心点与检测目标的每个像素点之间的距离。根据检测目标的中心点坐标与预测区域的每个像素点的坐标,确定检测目标的中心点与预测区域的每个像素点之间的距离。通过比较上述两个距离得到第一损失函数。
本公开的技术方案中,基于样本图像中的检测目标的中心点与检测目标的每个像素点之间的距离,以及中心点与预测区域的每个像素点之间的距离,确定样本图像对应的第一损失函数值,考虑到了距离对图像分割模型的分割性能的影响,所以通过第一损失函数值调整图像分割模型的参数,能够准确地引导图像分割模型的优化方向,提高图像分割模型在训练时的收敛速度。又由于样本图像中的检测目标的中心点与检测目标的每个像素点之间的距离,以及中心点与预测区域的每个像素点之间的距离可以表征检测目标和预测区域的形状,考虑到了形状对图像分割模型的分割性能的影响,所以通过第一损失函数值调整图像分割模型的参数,有效提高训练好的图像分割模型的分割性能。而且还可以提升数据的处理效率。
在一种实施方式中,如图2所示,根据第一损失函数值调整图像分割模型的参数,包括:
S201、根据第一损失函数值以及基于预测区域的面积确定的第二损失函数值,确定样本图像的第三损失函数值;
S202、基于第三损失函数值调整图像分割模型的参数。
示例性地,基于预测区域的面积确定的第二损失函数值,考虑到了面积对图像分割模型的分割性能的影响,因此,采用第一损失函数值和第二损失函数值确定的第三损失函数值调整图像分割模型的参数,可以在图像分割模型在训练时解决训练样本不均衡的问题,进一步提高图像分割模型在训练时的收敛速度。同时,有效提高训练好的图像分割模型的分割性能。
示例性地,可以将第一损失函数值和第二损失函数值进行相加,得到第三损失函数值。
例如,在本实施例中,Loss=ωdiceLdice+ωbarycenterLbarycenter (1)
其中,Lbarycenter为第一损失函数值,LDice为第二损失函数值,Loss为第三损失函数值,ωdice,ωbarycenter为权重系数,取值[0,1],可以根据实际需要进行设置。
在一种实施方式中,上述方法,还包括:
确定样本图像中检测目标与预测区域之间的交集面积;
基于交集面积及预测区域的面积,确定样本图像对应的第二损失函数值。
示例性地,通过比较交集面积及预测区域的面积,确定第二损失函数值,交集面积及预测区域的面积用于表征检测目标和预测区域的相似度,考虑到了面积对图像分割模型的分割性能的影响,所以通过第二损失函数值调整图像分割模型的参数,使得训练好的图像分割模型的预测结果相似度更高,有效提高训练好的图像分割模型的分割性能。
在一种实施方式中,其中,基于交集面积及预测区域的面积,确定样本图像对应的第二损失函数值,包括:
确定检测目标与预测区域的面积总和;
基于交集面积及面积总和,确定样本图像对应的第二损失函数值。
在本实施例中,基于交集面积及检测目标与预测区域的面积总和的比值形成的第二损失函数值,能够从样本图像的全局考虑,度量检测目标和预测区域的相似度,同时,在图像分割时不受前景图像和后景图像的尺寸影响。
一种示例中,参考图3A,
其中,Tp为检测目标与预测区域之间的交集面积,FN为在检测目标中除去交集面积的剩余面积,FP为除去检测目标的样本图像与预测区域A’之间的交集面积。
另一种示例中,参考图3B,
其中,LDice为第二损失函数值,intersectin为检测目标A与预测区域A’之间的交集面积,union为检测目标A与预测区域A’的面积总和。
在一种实施方式中,基于样本图像中的检测目标的中心点与检测目标的每个像素点之间的距离,以及中心点与预测区域的每个像素点之间的距离,确定样本图像对应的第一损失函数值,包括:
基于样本图像中的检测目标的中心点与预测区域的每个像素点之间的距离,计算得到目标距离;
基于样本图像中检测目标的中心点到预测区域的每个像素点的距离,计算得到预测距离;
根据目标距离及预测距离的差值,以及目标距离及预测距离的和值,计算得到样本图像对应的第一损失函数值。
示例性地,确定样本图像中的检测目标的中心点与预测区域的每个像素点之间的距离,并计算样本图像中的检测目标的中心点与预测区域的每个像素点之间的距离的平均值,作为目标距离。需要说明的是,通过平均值可以更体现检测目标与预测区域的距离。
确定样本图像中检测目标的中心点到预测区域的每个像素点的距离,并计算样本图像中检测目标的中心点到预测区域的每个像素点的距离的平均值,作为预测距离。需要说明的是,通过平均值可以更体现检测目标与预测区域的距离。
将目标距离及预测距离的差值的绝对值与目标距离及预测距离的和值的比值作为样本图像对应的第一损失函数值。从而可以根据第一损失函数值调整图像分割模型的参数,使得图像分割模型在训练时快速收敛。
其中,Lbarycenter为第一损失函数值,DISgt_self为目标距离,DISgt_pred为预测距离。
在一种实施方式中,其中,利用图像分割模型在样本图像中确定与检测目标对应的预测区域,包括:
利用图像分割模型在样本图像中确定至少一个目标区域;
基于样本图像中检测目标的中心点与至少一个目标区域中的每个目标区域的中心点之间的距离,确定与检测目标的中心点距离最短的目标区域;
将与检测目标的中心点距离最短的目标区域作为检测目标对应的预测区域。
示例性地,如图4所示,肺部图像(样本图像)中可以包括至少一个肺结节(检测目标),将每个肺结节在样本图像上的连通域进行标记,标记为A。根据图像分割模型分割肺部图像,在样本图像中得到至少一个目标区域,将目标区域在样本图像上的连通域标记为A’。
确定每个肺结节的中心点坐标,记为(xmask,ymask),以及每个目标区域的中心点坐标(xpred,ypred)。分别计算每个肺结节中心点坐标与每个目标区域的中心点坐标的距离。将与肺结节的中心点坐标距离最短的目标区域作为肺结节对应的预测区域。
确定每个肺结节的中心点与其对应预测区域的每个像素点之间的距离,并计算上述距离的平均值,作为目标距离;确定每个肺结节的中心点到预测区域的每个像素点的距离,并计算上述距离的平均值,作为预测距离;根据目标距离及预测距离的差值的绝对值与目标距离及预测距离的和值的比值,得到第一损失函数值。
确定每个肺结节与其对应的预测区域的交集面积,并确定每个肺结节与其对应的预测区域的面积总和;基于交集面积及面积总和的比值,确定第二损失函数值。
根据第一损失函数值和第二损失函数值,按照预设比例相加得到第三损失函数值。根据多个肺结节中的每个肺结节的第三损失函数值,计算多个肺结节的损失平均值,将损失平均值作为样本图像的损失值。可见,由于对样本图像中的每个肺结节均进行损失计算,避免出现同类样本不同物体分割性能差异大的情况,进一步提高了训练好的图像分割模型的分割性能。
为了能够更加详尽地了解本公开实施例的特点与技术内容,以下提供一个具体的应用示例进行说明。可以理解,以下应用示例仅作为参考,并不限定具体的实施过程。
在该应用示例中,图像处理方法包括:
1、标记给定分割标签图像(即检测目标)的连通域,记为mask_connected_list;
2、标记预测结果图像的连通域,记为pred_connected_list;
3、计算每个预测结果图像的连通域的中心坐标(xpred,ypred),得到coordinate_list;
4、计算任一给定分割标签图像的连通域(mask_conn)的中心坐标,记为(xmask,ymask);
5、计算连通域mask_conn的中心到每个预测结果图像的连通域的中心坐标的距离;
6、在步骤5的求出的各个距离中找到距离mask_conn最近的预测结果图像的连通域pred_conn;
7、计算第三损失函数值(Loss):
Loss=ωdiceLdice+ωbarycenterLbarycenter
其中,Lbarycenter为第一损失函数值,LDice为第二损失函数值,Loss为第三损失函数值,ωdice,ωbarycenter为权重系数,取值[0,1],可以根据实际需要进行设置。
其中,其中,union为步骤6中确定出的连通域pred_conn与连通域mask_conn的面积和,intersection为步骤6中确定出的连通域pred_conn与连通域mask_conn的交集。
其中,计算(xmask,ymask)到连通域mask_conn每个像素的距离,并计算均值,将上述均值记为DISgt_self;计算(xmask,ymask)到连通域pred_conn每个像素的距离,并计算均值,将上述均值记为DISgt_pred。
8、将第三损失函数值(Loss)寄存到序列中;
9、计算序列中的损失函数值的平均值,作为当前图像的本次损失值。
图5是根据本公开一实施例的图像处理方法的流程图。如图5所示,该方法可以包括:
S501、利用图像分割模型对待处理图像进行图像分割,确定待处理图像中的至少一个目标区域;其中,图像分割模型是根据图像分割模型的处理方法调整得到的。
本公开的技术方案中,由于图像分割模型是根据图像分割模型的处理方法调整得到的,所以在训练图像分割模型时可以通过第一损失函数值引导图像分割模型的优化方向,提高图像分割模型在训练时的收敛速度。同时,由于样本图像中的检测目标的中心点与检测目标的每个像素点之间的距离,以及中心点与预测区域的每个像素点之间的距离可以表征检测目标和预测区域的形状,考虑到了形状对图像分割模型的分割性能的影响,所以通过第一损失函数值调整好的图像分割模型,在进行图像分割时可以准确分割待处理图像的边界,从而得到准确的目标区域。
图6是根据本公开一实施例的图像分割模型的处理装置的框图。如图6所示,该装置可以包括:
确定模块601,用于利用图像分割模型在样本图像中确定与检测目标对应的预测区域;
第一处理模块602,用于基于样本图像中的检测目标的中心点与检测目标的每个像素点之间的距离,以及中心点与预测区域的每个像素点之间的距离,确定样本图像对应的第一损失函数值;
第二处理模块603,用于根据第一损失函数值调整图像分割模型的参数。
图7是根据本公开一实施例的图像分割模型的处理装置的框图。如图7所示,该装置可以包括:
确定模块701,用于利用图像分割模型在样本图像中确定与检测目标对应的预测区域;
第一处理模块702,用于基于样本图像中的检测目标的中心点与检测目标的每个像素点之间的距离,以及中心点与预测区域的每个像素点之间的距离,确定样本图像对应的第一损失函数值;
其中,第二处理模块703,包括:
计算单元704,用于根据第一损失函数值以及基于预测区域的面积确定的第二损失函数值,确定样本图像的第三损失函数值;
调整单元705,用于基于第三损失函数值调整图像分割模型的参数。
在一种实施方式中,如图7所示,计算单元704,还用于:
确定样本图像中检测目标与预测区域之间的交集面积;
基于交集面积及预测区域的面积,确定样本图像对应的第二损失函数值。
在一种实施方式中,如图7所示,计算单元704,还用于:
确定检测目标与预测区域的面积总和;
基于交集面积及面积总和,确定样本图像对应的第二损失函数值。
在一种实施方式中,如图7所示,,第一处理模块702,还用于:
基于样本图像中的检测目标的中心点与预测区域的每个像素点之间的距离,计算得到目标距离;
基于样本图像中检测目标的中心点到预测区域的每个像素点的距离,计算得到预测距离;
根据目标距离及预测距离的差值,以及目标距离及预测距离的和值,计算得到样本图像对应的第一损失函数值。
在一种实施方式中,如图7所示,确定模块701,还用于:
利用图像分割模型在样本图像中确定至少一个目标区域;
基于样本图像中检测目标的中心点与至少一个目标区域中的每个目标区域的中心点之间的距离,确定与检测目标的中心点距离最短的目标区域;
将与检测目标的中心点距离最短的目标区域作为检测目标对应的预测区域。
这样,本公开实施例的装置,基于样本图像中的检测目标的中心点与检测目标的每个像素点之间的距离,以及中心点与预测区域的每个像素点之间的距离,确定样本图像对应的第一损失函数值,考虑到了距离对图像分割模型的分割性能的影响,所以通过第一损失函数值调整图像分割模型的参数,能够准确地引导图像分割模型的优化方向,提高图像分割模型在训练时的收敛速度。又由于样本图像中的检测目标的中心点与检测目标的每个像素点之间的距离,以及中心点与预测区域的每个像素点之间的距离可以表征检测目标和预测区域的形状,考虑到了形状对图像分割模型的的分割性能的影响,所以通过第一损失函数值调整图像分割模型的参数,有效提高训练好的图像分割模型的分割性能。
图8是根据本公开一实施例的图像处理装置的框图。如图9所示,该装置可以包括:
图像处理模块801,用于利用图像分割模型对待处理图像进行图像分割,确定待处理图像中的至少一个目标区域;其中,图像分割模型是根据图像分割模型的处理方法调整得到的。
这样,本公开实施例的装置,由于图像分割模型是根据图像分割模型的处理方法调整得到的,所以在训练图像分割模型时可以通过第一损失函数值引导图像分割模型的优化方向,提高图像分割模型在训练时的收敛速度。同时,由于样本图像中的检测目标的中心点与检测目标的每个像素点之间的距离,以及中心点与预测区域的每个像素点之间的距离可以表征检测目标和预测区域的形状,考虑到了形状对图像分割模型的分割性能的影响,所以通过第一损失函数值调整好的图像分割模型,在进行图像分割时可以准确分割待处理图像的边界,从而得到准确的目标区域。
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,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图9示出了可以用来实施本公开的实施例的示例电子设备900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9所示,设备900包括计算单元901,其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序,来执行各种适当的动作和处理。在RAM903中,还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905,包括:输入单元906,例如键盘、鼠标等;输出单元907,例如各种类型的显示器、扬声器等;存储单元908,例如磁盘、光盘等;以及通信单元909,例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900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901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901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901执行上文所描述的各个方法和处理,例如图像分割模型的处理方法。例如,在一些实施例中,图像分割模型的处理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908。在一些实施例中,计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时,可以执行上文描述的图像分割模型的处理方法的一个或多个步骤。备选地,在其他实施例中,计算单元901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的处理方法。
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)、复杂可编程逻辑设备(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,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。
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 (17)
1.一种图像分割模型的处理方法,包括:
利用图像分割模型在样本图像中确定与检测目标对应的预测区域;
基于所述样本图像中的所述检测目标的中心点与所述检测目标的每个像素点之间的距离,以及所述中心点与所述预测区域的每个像素点之间的距离,确定所述样本图像对应的第一损失函数值;
根据所述第一损失函数值调整图像分割模型的参数。
2.根据权利要求1所述的方法,其中,所述根据所述第一损失函数值调整图像分割模型的参数,包括:
根据所述第一损失函数值以及基于所述预测区域的面积确定的第二损失函数值,确定所述样本图像的第三损失函数值;
基于所述第三损失函数值调整图像分割模型的参数。
3.根据权利要求2所述的方法,还包括:
确定所述样本图像中所述检测目标与所述预测区域之间的交集面积;
基于所述交集面积及所述预测区域的面积,确定所述样本图像对应的第二损失函数值。
4.根据权利要求3所述的方法,其中,所述基于所述交集面积及所述预测区域的面积,确定所述样本图像对应的第二损失函数值,包括:
确定所述检测目标与所述预测区域的面积总和;
基于所述交集面积及所述面积总和,确定所述样本图像对应的第二损失函数值。
5.根据权利要求1-4中任一项所述的方法,其中,所述基于所述样本图像中的所述检测目标的中心点与所述检测目标的每个像素点之间的距离,以及所述中心点与所述预测区域的每个像素点之间的距离,确定所述样本图像对应的第一损失函数值,包括:
基于所述样本图像中的所述检测目标的中心点与所述预测区域的每个像素点之间的距离,计算得到目标距离;
基于所述样本图像中所述检测目标的中心点到所述预测区域的每个像素点的距离,计算得到预测距离;
根据所述目标距离及所述预测距离的差值,以及所述目标距离及所述预测距离的和值,计算得到所述样本图像对应的第一损失函数值。
6.根据权利要求1-5中任一项所述的方法,其中,所述利用图像分割模型在样本图像中确定与检测目标对应的预测区域,包括:
利用图像分割模型在所述样本图像中确定至少一个目标区域;
基于所述样本图像中所述检测目标的中心点与所述至少一个目标区域中的每个目标区域的中心点之间的距离,确定与所述检测目标的中心点距离最短的目标区域;
将与所述检测目标的中心点距离最短的目标区域作为所述检测目标对应的预测区域。
7.一种图像处理方法,包括:
利用图像分割模型对待处理图像进行图像分割,确定所述待处理图像中的至少一个目标区域;其中,所述图像分割模型是根据如权利要求1-6中任一项所述的方法调整得到的。
8.一种图像分割模型的处理装置,包括:
确定模块,用于利用图像分割模型在样本图像中确定与检测目标对应的预测区域;
第一处理模块,用于基于所述样本图像中的所述检测目标的中心点与所述检测目标的每个像素点之间的距离,以及所述中心点与所述预测区域的每个像素点之间的距离,确定所述样本图像对应的第一损失函数值;
第二处理模块,用于根据所述第一损失函数值调整图像分割模型的参数。
9.根据权利要求8所述的装置,其中,所述第二处理模块,包括:
计算单元,用于根据所述第一损失函数值以及基于所述预测区域的面积确定的第二损失函数值,确定所述样本图像的第三损失函数值;
调整单元,用于基于所述第三损失函数值调整图像分割模型的参数。
10.根据权利要求9所述的装置,所述计算单元,还用于:
确定所述样本图像中所述检测目标与所述预测区域之间的交集面积;
基于所述交集面积及所述预测区域的面积,确定所述样本图像对应的第二损失函数值。
11.根据权利要求10所述的装置,其中,所述计算单元,还用于:
确定所述检测目标与所述预测区域的面积总和;
基于所述交集面积及所述面积总和,确定所述样本图像对应的第二损失函数值。
12.根据权利要求8-11中任一项所述的装置,其中,所述第一处理模块,还用于:
基于所述样本图像中的所述检测目标的中心点与所述预测区域的每个像素点之间的距离,计算得到目标距离;
基于所述样本图像中所述检测目标的中心点到所述预测区域的每个像素点的距离,计算得到预测距离;
根据所述目标距离及所述预测距离的差值,以及所述目标距离及所述预测距离的和值,计算得到所述样本图像对应的第一损失函数值。
13.根据权利要求8-12中任一项所述的装置,其中,所述确定模块,还用于:
利用图像分割模型在所述样本图像中确定至少一个目标区域;
基于所述样本图像中所述检测目标的中心点与所述至少一个目标区域中的每个目标区域的中心点之间的距离,确定与所述检测目标的中心点距离最短的目标区域;
将与所述检测目标的中心点距离最短的目标区域作为所述检测目标对应的预测区域。
14.一种图像处理装置,包括:
图像处理模块,用于利用图像分割模型对待处理图像进行图像分割,确定所述待处理图像中的至少一个目标区域;其中,所述图像分割模型是根据如权利要求1-6中任一项所述的方法调整得到的。
15.一种电子设备,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1-7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。
17.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210134701.9A CN114463354A (zh) | 2022-02-14 | 2022-02-14 | 图像分割模型的处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210134701.9A CN114463354A (zh) | 2022-02-14 | 2022-02-14 | 图像分割模型的处理方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114463354A true CN114463354A (zh) | 2022-05-10 |
Family
ID=81413745
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210134701.9A Pending CN114463354A (zh) | 2022-02-14 | 2022-02-14 | 图像分割模型的处理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114463354A (zh) |
-
2022
- 2022-02-14 CN CN202210134701.9A patent/CN114463354A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113095336B (zh) | 关键点检测模型的训练方法和检测目标对象关键点的方法 | |
CN113870334B (zh) | 深度检测方法、装置、设备以及存储介质 | |
CN113205041B (zh) | 结构化信息提取方法、装置、设备和存储介质 | |
CN112562069A (zh) | 三维模型的构造方法、装置、设备和存储介质 | |
CN113298910A (zh) | 生成交通标志线地图的方法、设备和存储介质 | |
CN114677653A (zh) | 模型训练方法、车辆关键点检测方法及相应的装置 | |
CN114063858A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN114723894B (zh) | 一种三维坐标获取方法、装置及电子设备 | |
CN114647816A (zh) | 车道线的确定方法、装置、设备及存储介质 | |
CN113984072B (zh) | 车辆定位方法、装置、设备、存储介质及自动驾驶车辆 | |
CN115797961A (zh) | 车道线变更检测方法、装置、电子设备及存储介质 | |
CN114463354A (zh) | 图像分割模型的处理方法、装置、设备及存储介质 | |
CN113920273B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN113688920A (zh) | 模型训练及目标检测方法、装置、电子设备以及路侧设备 | |
CN114842305A (zh) | 深度预测模型训练方法、深度预测方法及相关装置 | |
CN113447013B (zh) | 施工道路识别方法、装置、设备、存储介质和程序产品 | |
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 | |
CN114170300A (zh) | 高精地图点云位姿优化方法、装置、设备及介质 | |
CN113706705A (zh) | 用于高精地图的图像处理方法、装置、设备以及存储介质 | |
CN113936158A (zh) | 一种标签匹配方法及装置 | |
CN116109991B (zh) | 模型的约束参数确定方法、装置及电子设备 | |
CN112507951B (zh) | 指示灯识别方法、装置、设备、路侧设备和云控平台 | |
CN114202625B (zh) | 路肩线的提取方法、装置及电子设备 | |
CN112683216B (zh) | 用于生成车辆长度信息的方法、装置、路侧设备和云控平台 | |
CN114757304B (zh) | 一种数据识别方法、装置、设备及存储介质 |
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 |