CN115527035A - 图像分割模型优化方法、装置、电子设备及可读存储介质 - Google Patents

图像分割模型优化方法、装置、电子设备及可读存储介质 Download PDF

Info

Publication number
CN115527035A
CN115527035A CN202211357316.7A CN202211357316A CN115527035A CN 115527035 A CN115527035 A CN 115527035A CN 202211357316 A CN202211357316 A CN 202211357316A CN 115527035 A CN115527035 A CN 115527035A
Authority
CN
China
Prior art keywords
segmentation
result
parameter
prediction
determining
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.)
Granted
Application number
CN202211357316.7A
Other languages
English (en)
Other versions
CN115527035B (zh
Inventor
刘涛
易林志
程健
吴振洲
张瑞
付鹤
刘子阳
徐红
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Ande Yizhi Technology Co ltd
Original Assignee
Beijing Ande Yizhi Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Ande Yizhi Technology Co ltd filed Critical Beijing Ande Yizhi Technology Co ltd
Priority to CN202211357316.7A priority Critical patent/CN115527035B/zh
Publication of CN115527035A publication Critical patent/CN115527035A/zh
Application granted granted Critical
Publication of CN115527035B publication Critical patent/CN115527035B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本公开涉及一种图像分割模型优化方法、装置、电子设备及可读存储介质，通过确定多个样本图像和对应标注分割结果，将多个样本图像分别输入图像分割模型进行图像分割，得到对应的预测分割结果。根据预设损失函数、标注分割结果和预测分割结果确定多个第一特征参数，根据预测损失函数和多个标注分割结果或多个预测分割结果确定多个第二特征参数。根据第一特征参数和第二特征参数调节图像分割模型。本公开通过标注分割结果和预测分割结果共同确定的第一特征参数和其中任意一种分割结果确定的第二特征参数共同确定模型损失，并进行模型调节，提高了模型优化效果，进而提升图像分割模型的分割效果。

Description

图像分割模型优化方法、装置、电子设备及可读存储介质
技术领域
本公开涉及计算机技术领域，尤其涉及一种图像分割模型优化方法、装置、电子设备及可读存储介质。
背景技术
图像分割是计算机视觉和图像处理领域的基本问题之一，指的是根据颜色、灰度、纹理和形状等特征把图像划分成若干互不交错的区域，并使这些特征在同一区域内呈现出一定的相似性，而在不同区域间呈现出明显的差异性。目前图像分割场景下的分割效果受限于图像分割模型的训练效果，训练效果越好则得到的图像分割模型分割效果越好。因此可以通过优化模型训练效果的方式提高图像分割模型的分割效果。
发明内容
有鉴于此，本公开提出了一种图像分割模型优化方法、装置、电子设备及可读存储介质，旨在通过调整损失函数对图像分割模型进行优化。
根据本公开的第一方面，提供了一种图像分割模型优化方法，所述方法包括：
确定多个样本图像和对应标注分割结果；
将多个所述样本图像分别输入图像分割模型进行图像分割，得到对应的预测分割结果；
根据预设损失函数、所述标注分割结果和所述预测分割结果确定多个第一特征参数；
根据所述预测损失函数和多个所述标注分割结果或多个所述预测分割结果确定多个第二特征参数；
根据所述第一特征参数和所述第二特征参数调节所述图像分割模型。
在一种可能的实现方式中，所述预设损失函数包括第一自变量和第二自变量，所述根据预设损失函数、所述标注分割结果和所述预测分割结果确定多个第一特征参数，包括：
确定对应相同样本图像的所述标注分割结果与预测分割结果为对应关系；
将每个所述标注分割结果作为第一自变量，对应的预测分割结果作为第二自变量输入所述预设损失函数，得到对应的第一特征参数。
在一种可能的实现方式中，所述根据所述预测损失函数和多个所述标注分割结果或多个所述预测分割结果确定多个第二特征参数，包括：
从多个所述标注分割结果中获取两个所述标注分割结果分别作为第一标注结果和第二标注结果，得到对应的标注结果对；
将每个所述标注结果对中的第一标注结果作为第一自变量，第二标注结果作为第二自变量输入所述预设损失函数，得到对应的第二特征参数。
在一种可能的实现方式中，所述根据所述预测损失函数和多个所述标注分割结果或多个所述预测分割结果确定多个第二特征参数，包括：
从多个所述预测分割结果中获取两个所述预测分割结果分别作为第一预测结果和第二预测结果，得到对应的预测结果对；
将每个所述预测结果对中的第一预测结果作为第一自变量，第二预测结果作为第二自变量输入所述预设损失函数，得到对应的第二特征参数。
在一种可能的实现方式中，所述根据所述第一特征参数和所述第二特征参数调节所述图像分割模型，包括：
计算多个所述第一特征参数的平均值得到第一损失参数；
根据多个所述第一特征参数和第二特征参数确定第二损失参数；
根据所述第一损失参数和所述第二损失参数调节所述图像分割模型。
在一种可能的实现方式中，所述根据多个所述第一特征参数和第二特征参数确定第二损失参数，包括：
分别确定每个所述第一特征参数对应的第一自变量和第二自变量，以及每个所述第二特征参数对应的第一自变量和第二自变量；
确定对应的第一自变量相同且第二自变量具有对应关系，或对应的第二自变量相同且第一自变量具有对应关系的第一特征参数和第二特征参数为对应的特征参数组；
计算每个所述特征参数组中第一特征参数和第二特征参数差值的平均值，得到第二损失参数。
在一种可能的实现方式中，所述根据所述第一损失参数和所述第二损失参数调节所述图像分割模型，包括：
计算所述第一损失参数和所述第二损失参数的加权和，得到模型损失参数；
根据所述模型损失参数调节所述图像分割模型。
根据本公开的第二方面，提供了一种图像分割模型优化装置，所述装置包括：
样本确定模块，用于确定多个样本图像和对应标注分割结果；
结果预测模块，用于将多个所述样本图像分别输入图像分割模型进行图像分割，得到对应的预测分割结果；
第一参数确定模块，用于根据预设损失函数、所述标注分割结果和所述预测分割结果确定多个第一特征参数；
第二参数确定模块，用于根据所述预测损失函数和多个所述标注分割结果或多个所述预测分割结果确定多个第二特征参数；
模型调节模块，用于根据所述第一特征参数和所述第二特征参数调节所述图像分割模型。
在一种可能的实现方式中，所述预设损失函数包括第一自变量和第二自变量，所述第一参数确定模块，包括：
对应关系确定子模块，用于确定对应相同样本图像的所述标注分割结果与预测分割结果为对应关系；
第一参数确定子模块，用于将每个所述标注分割结果作为第一自变量，对应的预测分割结果作为第二自变量输入所述预设损失函数，得到对应的第一特征参数。
在一种可能的实现方式中，所述第二参数确定模块，包括：
第一结果对确定子模块，用于从多个所述标注分割结果中获取两个所述标注分割结果分别作为第一标注结果和第二标注结果，得到对应的标注结果对；
第二参数确定子模块，用于将每个所述标注结果对中的第一标注结果作为第一自变量，第二标注结果作为第二自变量输入所述预设损失函数，得到对应的第二特征参数。
在一种可能的实现方式中，所述第二参数确定模块，包括：
第二结果对确定子模块，用于从多个所述预测分割结果中获取两个所述预测分割结果分别作为第一预测结果和第二预测结果，得到对应的预测结果对；
第三参数确定子模块，用于将每个所述预测结果对中的第一预测结果作为第一自变量，第二预测结果作为第二自变量输入所述预设损失函数，得到对应的第二特征参数。
在一种可能的实现方式中，所述模型调节模块，包括：
第一参数计算子模块，用于计算多个所述第一特征参数的平均值得到第一损失参数；
第二参数计算子模块，用于根据多个所述第一特征参数和第二特征参数确定第二损失参数；
模型调节子模块，用于根据所述第一损失参数和所述第二损失参数调节所述图像分割模型。
在一种可能的实现方式中，所述第二参数计算子模块，包括：
自变量获取单元，用于分别确定每个所述第一特征参数对应的第一自变量和第二自变量，以及每个所述第二特征参数对应的第一自变量和第二自变量；
参数组确定单元，用于确定对应的第一自变量相同且第二自变量具有对应关系，或对应的第二自变量相同且第一自变量具有对应关系的第一特征参数和第二特征参数为对应的特征参数组；
参数计算单元，用于计算每个所述特征参数组中第一特征参数和第二特征参数差值的平均值，得到第二损失参数。
在一种可能的实现方式中，所述模型调节子模块，包括：
损失参数确定单元，用于计算所述第一损失参数和所述第二损失参数的加权和，得到模型损失参数；
模型调节单元，用于根据所述模型损失参数调节所述图像分割模型。
根据本公开的第三方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为在执行所述存储器存储的指令时，实现上述方法。
根据本公开的第四方面，提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时实现上述方法。
根据本公开的第五方面，提供了一种计算机程序产品，包括计算机可读代码，或者承载有计算机可读代码的非易失性计算机可读存储介质，当所述计算机可读代码在电子设备的处理器中运行时，所述电子设备中的处理器执行上述方法。
在本公开实施例中，通过确定多个样本图像和对应标注分割结果，将多个样本图像分别输入图像分割模型进行图像分割，得到对应的预测分割结果。根据预设损失函数、标注分割结果和预测分割结果确定多个第一特征参数，根据预测损失函数和多个标注分割结果或多个预测分割结果确定多个第二特征参数。根据第一特征参数和第二特征参数调节图像分割模型。本公开通过标注分割结果和预测分割结果共同确定的第一特征参数和其中任意一种分割结果确定的第二特征参数共同确定模型损失，并进行模型调节，提高了模型优化效果，进而提升图像分割模型的分割效果。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
图1示出根据本公开实施例的一种图像分割模型优化方法的流程图；
图2示出根据本公开实施例的一种模型训练过程的示意图；
图3示出根据本公开实施例的一种确定第二损失参数的示意图；
图4示出根据本公开实施例的另一种确定第二损失参数的示意图；
图5示出根据本公开实施例的一种图像分割模型优化装置的示意图；
图6示出根据本公开实施例的一种电子设备的示意图；
图7示出根据本公开实施例的另一种电子设备的示意图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
在一种可能的实现方式中，本公开实施例的图像分割模型优化方法可以由终端设备或服务器等电子设备执行。其中，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等固定或移动终端设备，服务器可以为单独的服务器或多个服务器组成的服务器集群。电子设备可以通过处理器调用存储器中存储的计算机可读指令的方式来实现图像分割模型优化方法。可选地，本公开实施例可以应用于对任意图像分割模型进行优化的应用场景。
图1示出根据本公开实施例的一种图像分割模型优化方法的流程图。如图1所示，本公开实施例的图像分割模型优化方法可以包括以下步骤S10-S50。
步骤S10、确定多个样本图像和对应标注分割结果。
在一种可能的实现方式中，电子设备确定多个样本图像和每个样本图像对应的标注分割结果，用于优化图像分割模型。其中，样本图像的类型以及格式可以根据图像分割模型的应用场景确定。例如，在图像分割模型用于进行医学图像中的病灶分割时，样本图像可以包括电脑断层扫描图像、正子发射断层扫描图像、超声波图像以及核磁共振成像等任意医学影像。在图像分割模型用于对图像中动物或人物对象进行识别分割时，样本图像可以包括具有动物或人物对象的对象图像。
可选地，每个样本图像对应的标注分割结果可以通过自动标注或手动标注等方式预先确定。例如在样本图像为医学影像的情况下，标注分割结果可以为医生识别医学影像中病灶位置标注得到的信息。在不同的应用场景下，标注分割结果中包括的内容不同。例如样本图像为医学影像时标注分割结果中可以包括病灶位置信息。在样本图像为对象图像时标注分割结果中可以包括图像中对象所在位置的位置信息。
步骤S20、将所述多个样本图像分别输入图像分割模型进行图像分割，得到对应的预测分割结果。
在一种可能的实现方式中，电子设备在确定多个样本图像后，分别将每个样本图像输入图像分割模型进行图像分割，得到对应的预测分割结果。其中，预测分割结果根据图像分割模型的应用场景确定，其中包括至少一个分割区域。例如，样本图像为医学影像且图像分割模型同于病灶识别分割时，预测分割结果中包括样本图像中可能存在病灶的位置作为分割区域。样本图像为对象图像且图像分割模型用于对象识别分割时，预测分割结果中包括样本图像中可能存在对象的位置作为分割区域。可选地，预测分割结果中还可以包括病灶位置、对象位置等可能进行图像分割位置的概率值，表征在该位置进行图像分割的可能性。
可选地，电子设备可以在得到多个样本图像对应的标注分割结果和预测分割结果后，可以通过标注分割结果和预测分割结果的差异进行模型优化。
图2示出根据本公开实施例的一种模型训练过程的示意图。如图2所示，电子设备在确定多个样本图像20和每个样本图像20对应的标注分割结果23后，将样本图像20输入图像分割模型21，由图像分割模型21对输入的样本图像20进行图像分割得到对应的预测分割结果22。进一步地，根据每个样本图像20对应的预测分割结果22和标注分割结果23确定模型损失24，再根据模型损失调节图像分割模型21以进行模型优化。
步骤S30、根据预设损失函数、所述标注分割结果和所述预测分割结果确定多个第一特征参数。
在一种可能的实现方式中，在确定多个样本图像对应的标注分割结果和预测分割结果后，可以根据标注分割结果和预测分割结果确定用于调节图像分割模型的模型损失。本公开实施例中的模型损失可以通过至少一种表征分割结果差异的特征参数确定。其中，特征参数可以包括表征标注分割结果和预测分割结果的差异的参数，以及表征标注分割结果之间差异的参数和表征预测分割结果之间差异的参数。可选地，电子设备可以确定标注分割结果和预测分割结果之间的差异作为第一特征参数，即可以根据预设损失函数、标注分割结果和预测分割结果确定多个第一特征参数。预设损失函数为电子设备预先设定的至少一种损失函数，可以为任意能够优化模型的函数。例如，可以包括Dice损失函数(骰子损失函数)和交叉熵损失函数中的至少一种。
可选地，预设损失函数中可以包括第一自变量和第二自变量，在确定第一特征参数的情况下分别用于表征样本图像对应的标注分割结果和预测分割结果，即将相同样本图像对应的标注分割结果和预测分割结果分别作为第一自变量和第二自变量带入预设损失函数以确定第一特征参数。电子设备先确定对应相同样本图像的标注分割结果与预测分割结果为对应关系，将每个标注分割结果作为第一自变量，对应的预测分割结果作为第二自变量输入预设损失函数，得到对应的第一特征参数。
在一种可能的实现方式中，在确定第一特征参数过程中，预设损失函数中的第一自变量为yi，第二自变量为pi，在样本图像中包括N个像素点的情况下，yi和pi可以分别表征标注分割结果和预测分割结果中像素i属于其中分割区域的概率。其中，yi为1时表征标注分割结果中对应的像素i在正样本区域，yi为0时表征对应的像素i在负样本区域。pi为0-1之间的值，表征预测分割结果中对应的像素i在分割区域中的概率值。电子设备可以将标注分割结果和预测分割结果中表征样本图像每个像素属于分割区域的概率值代入第一自变量为yi和第二自变量为pi得到分割结果差异作为对应的第一特征参数。
可选地，Dice损失函数根据标注分割结果和预测分割结果之间的重叠程度确定图像分割模型的损失。其中将标注分割结果中对应的分割区域作为正样本区域，其余的背景区域作为负样本区域。进一步将预测分割结果中对应的分割区域与正样本区域的重合区域作为真阳率TP，将预测分割结果中分割区域以外背景区域与正样本区域的重合区域作为假阴率FN，将预测分割结果中分割区域与负样本区域的重合区域作为假阳率FP，将预测分割结果中分割区域以外背景区域与负样本区域的重合区域作为真阴率TN。可以通过上述真阳率TP、假阳率FP、假阴率FN和真阴率TN基于公式(1)确定标注分割结果和预测分割结果的相似度DiceScore。
Figure BDA0003920548250000061
在样本图像中包括N个像素点的情况下，可以基于上述内容进一步将公式(1)转换为公式(2)进行相似度计算。进一步地，根据相似度计算得到模型Dice损失LDice。
Figure BDA0003920548250000062
Figure BDA0003920548250000063
可选地，交叉熵损失函数根据样本图像中每个像素在预测分割结果中对应pi的分布确定模型的损失。该函数根据公式(4)确定。
Figure BDA0003920548250000064
进一步地，在预设损失函数同时包括交叉熵损失函数和Dice损失函数时，可以计算交叉熵损失函数和Dice损失函数的加权和确定预设损失函数，将每个样本图像对应的标注分割结果和预测分割结果带入预测损失函数以确定对应的第一特征参数。
步骤S40、根据所述预测损失函数和多个所述标注分割结果或多个所述预测分割结果确定多个第二特征参数。
在一种可能的实现方式中，电子设备还可以在确定第一特征参数的同时根据标注分割结果之间的差异或预测分割结果之间的差异确定多个第二特征参数，以根据第一特征参数和第二特征参数一同确定模型损失。可选地，第二特征参数可以根据任意一种分割结果确定，例如可以根据标注分割结果之间的差异确定，或者还可以根据预测分割结果之间的差异确定。
可选地，在电子设备根据多个标注分割结果之间的差异确定第二特征参数的情况下，电子设备可以从多个标注分割结果中获取两个标注分割结果分别作为第一标注结果和第二标注结果，得到对应的标注结果对。再将每个标注结果对中的第一标注结果作为第一自变量，第二标注结果作为第二自变量输入预设损失函数，得到对应的第二特征参数。其中，电子设备确定的标注结果对中的第一标注结果和第二标注结果具有对应的顺序，即在两个标注分割结果依次作为第一标注结果和第二标注结果得到的标注结果对，和依次作为第二标注结果和第一标注结果得到的标注结果对不同。
在根据标注结果对确定第二特征参数的过程中，确定预设损失函数中的第一自变量为yi，第二自变量为yj，在样本图像中包括N个像素点的情况下，yi和yj可以分别表征标注分割结果中像素i和像素j属于其中分割区域的概率。其中，yi或yj为1时表征标注分割结果中对应的像素在正样本区域，yi或yj为0时表征对应的像素在负样本区域。电子设备可以将每个标注结果对中的第一标注结果和第二标注结果中表征样本图像每个像素属于分割区域的概率值代入第一自变量为yi和第二自变量为yj得到对应的第二特征参数。即在预设损失函数为Dice损失函数时可通过公式(5)计算得到第二特征参数，在预设损失函数为交叉熵损失函数时可以通过公式(6)计算得到第二特征参数。在预设损失函数同时包括交叉熵损失函数和Dice损失函数时可以将标注结果对分别带入计算公式(5)和公式(6)再计算加权和确定。
Figure BDA0003920548250000071
Figure BDA0003920548250000072
可选地，在电子设备根据多个预测分割结果之间的差异确定第二特征参数的情况下，电子设备可以从多个预测分割结果中获取两个预测分割结果分别作为第一预测结果和第二预测结果，得到对应的预测结果对。再将每个预测结果对中的第一预测结果作为第一自变量，第二预测结果作为第二自变量输入预设损失函数，得到对应的第二特征参数。其中，电子设备确定的预测结果对中的第一预测结果和第二预测结果具有对应的顺序，即在两个预测分割结果依次作为第一预测结果和第二预测结果得到的预测结果对，和依次作为第二预测结果和第一预测结果得到的预测结果对不同。
在根据预测结果对确定第二特征参数的过程中，确定预设损失函数中的第一自变量为pi，第二自变量为pj，在样本图像中包括N个像素点的情况下，pi和pj可以分别表征预测分割结果中像素i和像素j属于其中分割区域的概率。其中，pi或pj为1时表征预测分割结果中对应的像素在正样本区域，pi或pj为0时表征对应的像素在负样本区域。电子设备可以将每个预测结果对中的第一预测结果和第二预测结果中表征样本图像每个像素属于分割区域的概率值代入第一自变量为pi和第二自变量为pj得到对应的第二特征参数。即在预设损失函数为Dice损失函数时可通过公式(7)计算得到第二特征参数，在预设损失函数为交叉熵损失函数时可以通过公式(8)计算得到第二特征参数。在预设损失函数同时包括交叉熵损失函数和Dice损失函数时可以将预测结果对分别带入计算公式(7)和公式(8)再计算加权和确定。
Figure BDA0003920548250000073
Figure BDA0003920548250000081
步骤S50、根据所述第一特征参数和所述第二特征参数调节所述图像分割模型。
在一种可能的实现方式中，在确定多个第一特征参数和多个第二特征参数后，可以根据多个第一特征参数和多个第二特征参数确定图像分割模型的模型损失参数，再通过模型损失参数调节图像分割模型。其中，电子设备可以先根据多个第一特征参数确定表征标注分割结果和预测分割结果之间差异的第一损失参数，再根据多个第一特征参数和第二特征参数确定表征标注分割结果和预测分割结果之间差异与不同标注分割结果之间差异的差异作为第二损失参数，或者确定表征标注分割结果和预测分割结果之间差异与不同预测分割结果之间差异的差异作为第二损失参数。进一步根据第一损失参数和第二损失参数确定模型损失参数并调节模型。
可选地，电子设备可以先计算多个第一特征参数的平均值得到第一损失参数，根据多个第一特征参数和第二特征参数确定第二损失参数，根据第一损失参数和第二损失参数调节图像分割模型。其中，第二损失参数的确定过程可以为分别确定每个第一特征参数对应的第一自变量和第二自变量，以及每个第二特征参数对应的第一自变量和第二自变量。确定对应的第一自变量相同且第二自变量具有对应关系，或对应的第二自变量相同且第一自变量具有对应关系的第一特征参数和第二特征参数为对应的特征参数组。计算每个特征参数组中第一特征参数和第二特征参数差值的平均值，得到第二损失参数。具有对应关系的第一自变量和第二自变量均可以为对应相同样本图像的标注分割结果和预测分割结果。因此，在预设损失函数为Dice损失函数时可通过公式(9)或(10)计算得到第二损失参数，在预设损失函数为交叉熵损失函数时可以通过公式(11)或(12)计算得到第二损失参数。
Figure BDA0003920548250000082
Figure BDA0003920548250000083
Figure BDA0003920548250000084
Figure BDA0003920548250000085
在上述公式(9)-(12)中，Npair为特征参数组的数量，Y为样本图像对应的标注分割结果，P为样本图像对应的预测分割结果，L为预设损失函数。i和j均为0-Npair之间的整数值。
图3示出根据本公开实施例的一种确定第二损失参数的示意图。如图3所示，电子设备可以确定标注分割结果属于Y域，预测分割结果属于P域。在确定多个样本图像对应的标注分割结果和预测分割结果并分别加入Y域和P域后，可以从Y域中获取任意两个标注分割结果Yi和Yj分别作为第一标注结果和第二标注结果，得到标注结果对，从P域中获取与标注分割结果对中的第一标注结果Yi对应的预测分割结果Pi。电子设备可以分别确定标注结果对计算得到对应的第二特征参数，以及其中第一标注结果Yi和对应的预测分割结果Pi的第一特征参数作为匹配的第一特征参数，再计算全部标注结果对的第二特征参数与匹配的第一损失参数差的平均值确定第二损失参数。
图4示出根据本公开实施例的另一种确定第二损失参数的示意图。如图4所示，电子设备可以确定标注分割结果属于Y域，预测分割结果属于P域。在确定多个样本图像对应的标注分割结果和预测分割结果并分别加入Y域和P域后，可以从P域中获取任意两个预测分割结果Pi和Pj分别作为第一预测结果和第二预测结果，得到预测结果对，从Y域中获取与预测分割结果对中的第一预测结果Pi对应的标注分割结果Yi。电子设备可以分别确定预测结果对计算得到对应的第二特征参数，以及其中第一预测结果Pi和对应的标注分割结果Yi的第一特征参数作为匹配的第一特征参数，再计算全部预测结果对的第二特征参数与匹配的第一损失参数差的平均值确定第二损失参数。
在一种可能的实现方式中，电子设备在确定模型的第一损失参数和第二损失参数后，可以计算第一损失参数和第二损失参数的加权和，得到模型损失参数，再根据模型损失参数调节图像分割模型。可选地，第一损失参数和第二损失参数的权重可以预先设定。例如，可以确定第一损失参数的权重为1，第二损失参数的权重为根据样本图像数量确定的矩阵。其中，矩阵中每个元素表征两个样本图像之间的关系。即在预设损失函数为Dice损失函数时可通过公式(13)或(14)计算得到模型损失参数，在预设损失函数为交叉熵损失函数时可以通过公式(15)或(16)计算得到模型损失参数。
L＝LDice+λLTriplet-Y-Dice (13)
L＝LDice+λLTriplet-P-Dice (14)
L＝LCE+λLTriplet-Y-CE (15)
L＝LCE+λLTriplet-P-CE (16)
其中，λ为第二损失参数的权重矩阵。在样本图像的数量为N时λ为N×N的矩阵，矩阵中每个元素lij表示考虑样本i和样本j之间的关系。对角线元素l11到lnn表示的是样本内部之间的关系，也就是LDice或LCE损失函数计算得到的结果。在模型训练的过程中对角线元素起到主要作用，上三角矩阵中元素起到辅助作用。在确定矩阵中每个元素值的情况下，可以把对角线元素求和后得到一个平均值，同时把排除对角线的上三角元素进行求和也得到一个平均值。进一步在计算得到的两个平均值之间选择一个合适的比例关系。进一步地，在当样本图像的数量过多时，计算样本之间相互关系的过程复杂度较高，会导致实际训练周期变长。还可以在其中随机选择M(M<N)个样本对确定作为权重的矩阵，从而减少计算量，缩短训练周期时间。
基于上述技术特征，本公开实施例能够利用样本之间的相互关系，在现有Dice损失函数或交叉熵损失函数的基础上，对预测分割结果和样本分割结果的差异，以及不同的预测分割结果之间的差异或者不同的样本分割结果之间的差异进行组合得到一种新的模型损失确定方式。该模型损失的确定方式增加了得到的模型损失参数的精度，通过该模型损失参数训练模型的过程提高了模型的优化效果，进而提升了图像分割模型的分割效果。
图5示出根据本公开实施例的一种图像分割模型优化装置的示意图。如图5所示，本公开实施例的图像分割模型优化装置可以包括：
样本确定模块，用于确定多个样本图像和对应标注分割结果；
结果预测模块，用于将多个所述样本图像分别输入图像分割模型进行图像分割，得到对应的预测分割结果；
第一参数确定模块，用于根据预设损失函数、所述标注分割结果和所述预测分割结果确定多个第一特征参数；
第二参数确定模块，用于根据所述预测损失函数和多个所述标注分割结果或多个所述预测分割结果确定多个第二特征参数；
模型调节模块，用于根据所述第一特征参数和所述第二特征参数调节所述图像分割模型。
在一种可能的实现方式中，所述预设损失函数包括第一自变量和第二自变量，所述第一参数确定模块，包括：
对应关系确定子模块，用于确定对应相同样本图像的所述标注分割结果与预测分割结果为对应关系；
第一参数确定子模块，用于将每个所述标注分割结果作为第一自变量，对应的预测分割结果作为第二自变量输入所述预设损失函数，得到对应的第一特征参数。
在一种可能的实现方式中，所述第二参数确定模块，包括：
第一结果对确定子模块，用于从多个所述标注分割结果中获取两个所述标注分割结果分别作为第一标注结果和第二标注结果，得到对应的标注结果对；
第二参数确定子模块，用于将每个所述标注结果对中的第一标注结果作为第一自变量，第二标注结果作为第二自变量输入所述预设损失函数，得到对应的第二特征参数。
在一种可能的实现方式中，所述第二参数确定模块，包括：
第二结果对确定子模块，用于从多个所述预测分割结果中获取两个所述预测分割结果分别作为第一预测结果和第二预测结果，得到对应的预测结果对；
第三参数确定子模块，用于将每个所述预测结果对中的第一预测结果作为第一自变量，第二预测结果作为第二自变量输入所述预设损失函数，得到对应的第二特征参数。
在一种可能的实现方式中，所述模型调节模块，包括：
第一参数计算子模块，用于计算多个所述第一特征参数的平均值得到第一损失参数；
第二参数计算子模块，用于根据多个所述第一特征参数和第二特征参数确定第二损失参数；
模型调节子模块，用于根据所述第一损失参数和所述第二损失参数调节所述图像分割模型。
在一种可能的实现方式中，所述第二参数计算子模块，包括：
自变量获取单元，用于分别确定每个所述第一特征参数对应的第一自变量和第二自变量，以及每个所述第二特征参数对应的第一自变量和第二自变量；
参数组确定单元，用于确定对应的第一自变量相同且第二自变量具有对应关系，或对应的第二自变量相同且第一自变量具有对应关系的第一特征参数和第二特征参数为对应的特征参数组；
参数计算单元，用于计算每个所述特征参数组中第一特征参数和第二特征参数差值的平均值，得到第二损失参数。
在一种可能的实现方式中，所述模型调节子模块，包括：
损失参数确定单元，用于计算所述第一损失参数和所述第二损失参数的加权和，得到模型损失参数；
模型调节单元，用于根据所述模型损失参数调节所述图像分割模型。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是易失性或非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为在执行所述存储器存储的指令时，实现上述方法。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，或者承载有计算机可读代码的非易失性计算机可读存储介质，当所述计算机可读代码在电子设备的处理器中运行时，所述电子设备中的处理器执行上述方法。
图6示出根据本公开实施例的一种电子设备的示意图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图6，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图7示出根据本公开实施例的另一种电子设备的示意图。例如，电子设备1900可以被提供为一服务器或终端设备。参照图7，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分，所述模块、程序段或指令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。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，两个连续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动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。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种图像分割模型优化方法，其特征在于，所述方法包括：
确定多个样本图像和对应标注分割结果；
将多个所述样本图像分别输入图像分割模型进行图像分割，得到对应的预测分割结果；
根据预设损失函数、所述标注分割结果和所述预测分割结果确定多个第一特征参数；
根据所述预测损失函数和多个所述标注分割结果或多个所述预测分割结果确定多个第二特征参数；
根据所述第一特征参数和所述第二特征参数调节所述图像分割模型。
2.根据权利要求1所述的方法，其特征在于，所述预设损失函数包括第一自变量和第二自变量，所述根据预设损失函数、所述标注分割结果和所述预测分割结果确定多个第一特征参数，包括：
确定对应相同样本图像的所述标注分割结果与预测分割结果为对应关系；
将每个所述标注分割结果作为第一自变量，对应的预测分割结果作为第二自变量输入所述预设损失函数，得到对应的第一特征参数。
3.根据权利要求2所述的方法，其特征在于，所述根据所述预测损失函数和多个所述标注分割结果或多个所述预测分割结果确定多个第二特征参数，包括：
从多个所述标注分割结果中获取两个所述标注分割结果分别作为第一标注结果和第二标注结果，得到对应的标注结果对；
将每个所述标注结果对中的第一标注结果作为第一自变量，第二标注结果作为第二自变量输入所述预设损失函数，得到对应的第二特征参数。
4.根据权利要求2所述的方法，其特征在于，所述根据所述预测损失函数和多个所述标注分割结果或多个所述预测分割结果确定多个第二特征参数，包括：
从多个所述预测分割结果中获取两个所述预测分割结果分别作为第一预测结果和第二预测结果，得到对应的预测结果对；
将每个所述预测结果对中的第一预测结果作为第一自变量，第二预测结果作为第二自变量输入所述预设损失函数，得到对应的第二特征参数。
5.根据权利要求3或4所述的方法，其特征在于，所述根据所述第一特征参数和所述第二特征参数调节所述图像分割模型，包括：
计算多个所述第一特征参数的平均值得到第一损失参数；
根据多个所述第一特征参数和第二特征参数确定第二损失参数；
根据所述第一损失参数和所述第二损失参数调节所述图像分割模型。
6.根据权利要求5所述的方法，其特征在于，所述根据多个所述第一特征参数和第二特征参数确定第二损失参数，包括：
分别确定每个所述第一特征参数对应的第一自变量和第二自变量，以及每个所述第二特征参数对应的第一自变量和第二自变量；
确定对应的第一自变量相同且第二自变量具有对应关系，或对应的第二自变量相同且第一自变量具有对应关系的第一特征参数和第二特征参数为对应的特征参数组；
计算每个所述特征参数组中第一特征参数和第二特征参数差值的平均值，得到第二损失参数。
7.根据权利要求5或6中所述的方法，其特征在于，所述根据所述第一损失参数和所述第二损失参数调节所述图像分割模型，包括：
计算所述第一损失参数和所述第二损失参数的加权和，得到模型损失参数；
根据所述模型损失参数调节所述图像分割模型。
8.一种图像分割模型优化装置，其特征在于，所述装置包括：
样本确定模块，用于确定多个样本图像和对应标注分割结果；
结果预测模块，用于将多个所述样本图像分别输入图像分割模型进行图像分割，得到对应的预测分割结果；
第一参数确定模块，用于根据预设损失函数、所述标注分割结果和所述预测分割结果确定多个第一特征参数；
第二参数确定模块，用于根据所述预测损失函数和多个所述标注分割结果或多个所述预测分割结果确定多个第二特征参数；
模型调节模块，用于根据所述第一特征参数和所述第二特征参数调节所述图像分割模型。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为在执行所述存储器存储的指令时，实现权利要求1至7中任意一项所述的方法。
10.一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
CN202211357316.7A 2022-11-01 2022-11-01 图像分割模型优化方法、装置、电子设备及可读存储介质 Active CN115527035B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211357316.7A CN115527035B (zh) 2022-11-01 2022-11-01 图像分割模型优化方法、装置、电子设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211357316.7A CN115527035B (zh) 2022-11-01 2022-11-01 图像分割模型优化方法、装置、电子设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN115527035A true CN115527035A (zh) 2022-12-27
CN115527035B CN115527035B (zh) 2023-04-28

Family

ID=84703456

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211357316.7A Active CN115527035B (zh) 2022-11-01 2022-11-01 图像分割模型优化方法、装置、电子设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN115527035B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107292884A (zh) * 2017-08-07 2017-10-24 北京深睿博联科技有限责任公司 一种识别mri图像中水肿和血肿的方法及装置
CN110210487A (zh) * 2019-05-30 2019-09-06 上海商汤智能科技有限公司 一种图像分割方法及装置、电子设备和存储介质
WO2022143679A1 (zh) * 2020-12-28 2022-07-07 新加坡鱼尾狮音乐教育品牌有限公司 谱面分析和标注方法、装置及电子设备
CN114821066A (zh) * 2022-05-23 2022-07-29 北京地平线信息技术有限公司 模型训练方法、装置、电子设备及计算机可读存储介质
CN115205305A (zh) * 2022-07-28 2022-10-18 北京有竹居网络技术有限公司 一种实例分割模型训练方法、实例分割方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107292884A (zh) * 2017-08-07 2017-10-24 北京深睿博联科技有限责任公司 一种识别mri图像中水肿和血肿的方法及装置
CN110210487A (zh) * 2019-05-30 2019-09-06 上海商汤智能科技有限公司 一种图像分割方法及装置、电子设备和存储介质
WO2022143679A1 (zh) * 2020-12-28 2022-07-07 新加坡鱼尾狮音乐教育品牌有限公司 谱面分析和标注方法、装置及电子设备
CN114821066A (zh) * 2022-05-23 2022-07-29 北京地平线信息技术有限公司 模型训练方法、装置、电子设备及计算机可读存储介质
CN115205305A (zh) * 2022-07-28 2022-10-18 北京有竹居网络技术有限公司 一种实例分割模型训练方法、实例分割方法及装置

Also Published As

Publication number Publication date
CN115527035B (zh) 2023-04-28

Similar Documents

Publication Publication Date Title
CN110210535B (zh) 神经网络训练方法及装置以及图像处理方法及装置
CN110647834B (zh) 人脸和人手关联检测方法及装置、电子设备和存储介质
CN110782468B (zh) 图像分割模型的训练方法及装置及图像分割方法及装置
RU2577188C1 (ru) Способ, аппарат и устройство для сегментации изображения
CN110837761B (zh) 多模型知识蒸馏方法及装置、电子设备和存储介质
CN107692997B (zh) 心率检测方法及装置
CN112465843A (zh) 图像分割方法及装置、电子设备和存储介质
CN109670077B (zh) 视频推荐方法、装置和计算机可读存储介质
CN109165738B (zh) 神经网络模型的优化方法及装置、电子设备和存储介质
CN109145970B (zh) 基于图像的问答处理方法和装置、电子设备及存储介质
CN109543069B (zh) 视频推荐方法、装置和计算机可读存储介质
CN112219224A (zh) 图像处理方法及装置、电子设备和存储介质
CN110941727B (zh) 一种资源推荐方法、装置、电子设备及存储介质
CN112148980A (zh) 基于用户点击的物品推荐方法、装置、设备和存储介质
CN115512116B (zh) 图像分割模型优化方法、装置、电子设备及可读存储介质
CN107730443B (zh) 图像处理方法、装置及用户设备
CN112598676B (zh) 图像分割方法及装置、电子设备和存储介质
CN112102300A (zh) 计数方法及装置、电子设备和存储介质
CN115914848A (zh) 图像处理方法、装置、电子设备和存储介质
CN111784772B (zh) 基于域随机化的姿态估计模型训练方法及装置
CN115527035B (zh) 图像分割模型优化方法、装置、电子设备及可读存储介质
CN111260581B (zh) 图像处理方法、装置及存储介质
CN110659726B (zh) 一种图像处理方法、装置、电子设备及存储介质
CN110896492B (zh) 图像处理方法、装置及存储介质
CN111008606B (zh) 图像预测方法及装置、电子设备和存储介质

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
GR01 Patent grant
GR01 Patent grant