CN115908441A - 图像分割方法、装置、设备及存储介质 - Google Patents

Abstract

本发明属于图像处理技术领域，公开了一种图像分割方法、装置、设备及存储介质。该方法包括：在接收到图像分割任务时，获取图像训练集；根据所述图像训练集进行模型训练，得到初始分割模型；根据初始分割模型在所述图像训练集中确定目标训练集；根据所述图像训练集、所述目标训练集以及所述初始分割模型进行更新训练，得到目标分割模型；根据所述目标分割模型完成所述图像分割任务。通过上述方式，在初始分割模型不满足上线要求时，在图像训练集中确定目标训练集，并基于目标训练集和图像训练集对初始分割模型进行更新训练，从而得到满足上线要求且分割性能更好的目标分割模型，基于目标分割模型完成图像分割任务，提高了图像分割任务的分割精度。

Description

图像分割方法、装置、设备及存储介质

技术领域

本发明涉及图像处理技术领域，尤其涉及一种图像分割方法、装置、设备及存储介质。

背景技术

在计算机中，视觉图像数据分割通常是利用卷积神经网络的模型结构，即通过卷积神经网络可以自动提取视觉图像数据的特征，而不需要人工进行特征提取，然而，卷积神经网络的训练往往会遇到灾难性遗忘的问题，训练后的模型并不能满足图像分割时的精度要求。

发明内容

本发明的主要目的在于提供一种图像分割方法、装置、设备及存储介质，旨在解决现有技术中如何提高图像分割任务的分割精度的技术问题。

为实现上述目的，本发明提供了一种图像分割方法，所述图像分割方法包括：

在接收到图像分割任务时，获取图像训练集；

根据所述图像训练集进行模型训练，得到初始分割模型；

根据所述初始分割模型在所述图像训练集中确定目标训练集；

根据所述图像训练集、所述目标训练集以及所述初始分割模型进行更新训练，得到目标分割模型；

根据所述目标分割模型完成所述图像分割任务。

可选地，所述根据所述图像训练集、所述目标训练集以及所述初始分割模型进行更新训练，得到目标分割模型，包括：

对所述图像训练集和所述目标训练集进行数据标记，得到标记数据集；

根据所述标记数据集确定构建数据训练池；

根据模型训练策略在所述数据训练池中进行数据抽取，得到增量训练数据；

根据目标损失函数、所述增量训练数据、所述初始分割模型进行增量训练，得到目标分割模型。

可选地，所述根据目标损失函数、所述增量训练数据、所述初始分割模型进行增量训练，得到目标分割模型，包括：

根据目标损失函数和所述增量训练数据对所述初始分割模型进行增量训练，并确定所述数据训练池中是否还存在训练数据；

在所述数据训练池中不存在训练数据时，完成迭代训练；

根据所述迭代训练结果得到目标分割模型。

可选地，所述根据目标损失函数、所述增量训练数据、所述初始分割模型进行增量训练，得到目标分割模型之前，还包括：

获取预设分割损失函数和蒸馏损失函数；

根据所述预设分割函数和所述蒸馏损失函数确定目标损失函数。

可选地，所述根据所述初始分割模型在所述图像训练集中确定目标训练集之前，还包括：

获取预设评估指标；

根据所述预设评估指标对所述初始分割模型进行上线评估，得到评估结果；

在所述评估结果为所述初始分割模型不满足所述预设评估指标时，执行根据所述初始分割模型在所述图像训练集中确定目标训练集。

可选地，所述根据所述预设评估指标对所述初始分割模型进行上线评估，得到评估结果之后，还包括：

在所述评估结果为所述初始分割模型满足所述预设评估指标时，根据所述初始分割模型完成所述图像分割任务。

可选地，所述据所述目标分割模型完成所述图像分割任务，包括：

根据所述图像分割任务确定待分割图像；

输入所述待分割图像至所述目标分割模型，得到图像分割结果；

根据所述图像分割结果完成所述图像分割任务。

此外，为实现上述目的，本发明还提出一种图像分割装置，所述图像分割装置包括：

获取模块，用于在接收到图像分割任务时，获取图像训练集；

训练模块，用于根据所述图像训练集进行模型训练，得到初始分割模型；

确定模块，用于根据所述初始分割模型在所述图像训练集中确定目标训练集；

所述训练模块，还用于根据所述图像训练集、所述目标训练集以及所述初始分割模型进行更新训练，得到目标分割模型；

完成模块，用于根据所述目标分割模型完成所述图像分割任务。

此外，为实现上述目的，本发明还提出一种图像分割设备，所述图像分割设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的图像分割程序，所述图像分割程序配置为实现如上文所述的图像分割方法。

此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有图像分割程序，所述图像分割程序被处理器执行时实现如上文所述的图像分割方法。

本发明通过在接收到图像分割任务时，获取图像训练集；根据所述图像训练集进行模型训练，得到初始分割模型；根据所述初始分割模型在所述图像训练集中确定目标训练集；根据所述图像训练集、所述目标训练集以及所述初始分割模型进行更新训练，得到目标分割模型；根据所述目标分割模型完成所述图像分割任务。通过上述方式，在初始分割模型不满足上线要求时，在图像训练集中确定目标训练集，并基于目标训练集和图像训练集对初始分割模型进行更新训练，从而得到满足上线要求且分割性能更好的目标分割模型，基于目标分割模型完成图像分割任务，提高了图像分割任务的分割精度。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的图像分割设备的结构示意图；

图2为本发明图像分割方法第一实施例的流程示意图；

图3为本发明图像分割方法一实施例的整体流程示意图；

图4为本发明图像分割方法第二实施例的流程示意图；

图5为本发明图像分割方法一实施例的训练流程示意图

图6为本发明图像分割装置第一实施例的结构框图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

参照图1，图1为本发明实施例方案涉及的硬件运行环境的图像分割设备结构示意图。

如图1所示，该图像分割设备可以包括：处理器1001，例如中央处理器（CentralProcessing Unit，CPU），通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如无线保真（Wireless-Fidelity，Wi-Fi）接口）。存储器1005可以是高速的随机存取存储器（RandomAccess Memory，RAM）存储器，也可以是稳定的非易失性存储器（Non-Volatile Memory，NVM），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的结构并不构成对图像分割设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及图像分割程序。

在图1所示的图像分割设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明图像分割设备中的处理器1001、存储器1005可以设置在图像分割设备中，所述图像分割设备通过处理器1001调用存储器1005中存储的图像分割程序，并执行本发明实施例提供的图像分割方法。

本发明实施例提供了一种图像分割方法，参照图2，图2为本发明一种图像分割方法第一实施例的流程示意图。

图像分割方法包括以下步骤：

步骤S10：在接收到图像分割任务时，获取图像训练集。

需要说明的是，本实施例的执行主体终端设备，终端设备可为电脑、手机或平板等智能终端，还可为其他智能终端，本实施例对此不加以限制，终端设备上存在图像分割系统，终端设备的图像分割系统在接收到图像分割任务时，获取图像训练集，根据图像训练集进行模型训练，得到初始分割模型，根据初始分割模型在图像训练集中确定目标训练集，根据图像训练集、目标训练集以及初始分割模型进行更新训练，得到目标分割模型，根据目标分割模型完成图像分割任务。

可以理解的是，在实际应用中，在进行图像分割任务时，离线训练好并部署在生产线上的模型，运行一段时间后，会出现个别数据分割效果不佳的情况，此时需要及时迭代更新模型。通常会搜集分割效果不好的数据，利用这部分数据迭代更新模型，现有技术中常见的更新模型的方式有两种：联合训练，联合所有的旧训练数据和新训练数据作为训练集，重新训练一个新的模型并上线部署，该训练方式通常耗时较长且训练所占用的内存容量较大；基于旧模型进行微调训练，将新训练数据作为训练集，在旧模型的基础上进行微调，更新模型后再上线部署，该训练方式新训练数据通常会覆盖旧训练数据，导致模型的指标不满足上线要求。现有技术中常用的两种方式无法同时满足模型的训练效率和性能，因此提出本实施例中目标训练模型的训练方式，即在旧模型（初始分割模型）的基础上，利用新训练数据（目标训练集）对旧模型进行增量训练，即在保留旧知识的情况下，模型能够获取新知识，获取到的目标训练模型的指标得到提升，且训练时间较短，有利于线上模型进行快速的迭代更新。

在具体实现中，在接收到图像分割任务时，终端设备立即触发模型训练过程，获取图像分割任务对应的图像训练集。

步骤S20：根据所述图像训练集进行模型训练，得到初始分割模型。

需要说明的是，采用卷积神经网络的模型结构和图像训练集进行模型训练，从而得到训练完成的初始分割模型，初始分割模型可进行图像分割任务。

步骤S30：根据所述初始分割模型在所述图像训练集中确定目标训练集。

需要说明的是，在确定初始分割模型后，需判断初始分割模型是否满足上线要求，若不满足上线要求，则基于初始分割模型在图像训练集中，搜集一批在完成图像分割任务时分割效果不好的数据，将该部分数据作为目标训练集。

可以理解的是，为了保证模型性能，进一步地，所述根据所述初始分割模型在所述图像训练集中确定目标训练集之前，还包括：获取预设评估指标；根据所述预设评估指标对所述初始分割模型进行上线评估，得到评估结果；在所述评估结果为所述初始分割模型不满足所述预设评估指标时，执行根据所述初始分割模型在所述图像训练集中确定目标训练集。

在具体实现中，获取预先设定的模型上线要求对应的评估指标，预先设定的模型上线要求对应的评估指标即为预设评估指标。判断初始分割模型是否满足预设评估指标，从而得到评估结果，在评估结果为初始分割模型不满足预设评估指标时，则说明初始分割模型不满足上线的指标要求，此时执行根据初始分割模型在图像训练集中确定目标训练集的步骤。

需要说明的是，为了保证资源的有效利用和分割过程中的准确性，进一步地，所述根据所述预设评估指标对所述初始分割模型进行上线评估，得到评估结果之后，还包括：在所述评估结果为所述初始分割模型满足所述预设评估指标时，根据所述初始分割模型完成所述图像分割任务。

可以理解的是，在评估结果为初始分割模型满足预设评估指标时，则说明初始分割模型满足上线的指标要求，此时将初始分割模型上线部署，利用初始分割模型执行图像分割任务。如图3所示，基于图像训练集进行模型训练，从而得到训练后的初始分割模型，在初始分割模型满足上线指标要求时，则初始分割模型线上部署，利用初始分割模型执行图像分割任务，若不满足上线指标要求，则搜集图像训练集中分割效果不好的数据，作为目标训练集，基于目标训练集和图像训练集，利用增量学习算法，对初始分割模型进行迭代更新，得到目标分割模型。

步骤S40：根据所述图像训练集、所述目标训练集以及所述初始分割模型进行更新训练，得到目标分割模型。

需要说明的是，基于已存在的图像训练集和新搜集的目标训练集，利用增量学习算法，对初始分割模型进行迭代更新，从而得到更新后的初始分割模型，更新后的初始分割模型即为目标分割模型。初始分割模型中分割效果不好的训练集，目标分割模型可实现良好的分割效果。

可以理解的是，对更新后的初始分割模型利用预设评估指标进行上线评估，在更新后的初始分割模型满足预设评估指标时则将其确定为目标分割模型，若更新后的初始分割模型不满足预设评估指标，则对更新后的初始分割模型继续进行迭代更新，直至训练后的模型能够满足预设评估指标。

步骤S50：根据所述目标分割模型完成所述图像分割任务。

需要说明的是，将目标分割模型线上部署，利用目标分割模型执行图像分割任务。

可以理解的是，为了准确高效完成图像分割任务，进一步地，所述据所述目标分割模型完成所述图像分割任务，包括：根据所述图像分割任务确定待分割图像；输入所述待分割图像至所述目标分割模型，得到图像分割结果；根据所述图像分割结果完成所述图像分割任务。

在具体实现中，在接收到图像分割任务后，确定需要进行图像分割的待分割图像，输入待分割图像至目标分割模型，目标分割模型对待分割图像进行图像分割，从而得到对应的图像分割结果，基于待分割图像的图像分割结果完成图像分割任务。

本实施例通过在接收到图像分割任务时，获取图像训练集；根据所述图像训练集进行模型训练，得到初始分割模型；根据所述初始分割模型在所述图像训练集中确定目标训练集；根据所述图像训练集、所述目标训练集以及所述初始分割模型进行更新训练，得到目标分割模型；根据所述目标分割模型完成所述图像分割任务。通过上述方式，在初始分割模型不满足上线要求时，在图像训练集中确定目标训练集，并基于目标训练集和图像训练集对初始分割模型进行更新训练，从而得到满足上线要求且分割性能更好的目标分割模型，基于目标分割模型完成图像分割任务，提高了图像分割任务的分割精度。

参考图4，图4为本发明一种图像分割方法第二实施例的流程示意图。

基于上述第一实施例，本实施例图像分割方法中所述步骤S40，包括：

步骤S41：对所述图像训练集和所述目标训练集进行数据标记，得到标记数据集。

需要说明的是，将已有的图像训练集和目标训练集进行数据标记，图像训练集已参与过初始训练模型的初次训练，目标训练集是在初次训练中分割效果不好的数据集合，将数据标记后的图像训练集和目标训练集进行汇总，汇总后的数据集即为标记数据集。

步骤S42：根据所述标记数据集确定构建数据训练池。

需要说明的是，在确定标记数据集后，将标记数据集作为初始训练模型迭代更新时的训练样本池，训练样本池即为数据训练池。

步骤S43：根据模型训练策略在所述数据训练池中进行数据抽取，得到增量训练数据。

需要说明的是，模型训练策略指的是预先设定的样本抽取策略，在本实施例中模型训练策略为在数据训练池中随机抽取预设比例的图像训练集中的数据和目标训练集中的数据，也可为其他抽取方式，本实施例对此不加以限制。

可以理解的是，根据模型训练策略在数据训练池中进行数据抽取，得到的样本训练数据即为增量训练数据。

步骤S44：根据目标损失函数、所述增量训练数据、所述初始分割模型进行增量训练，得到目标分割模型。

需要说明的是，目标损失函数包括蒸馏损失函数，基于增量训练数据和目标损失函数对初始分割模型进行增量训练，从而得到目标分割模型。

可以理解的是，为保证训练过程的准确性，进一步地，所述根据目标损失函数、所述增量训练数据、所述初始分割模型进行增量训练，得到目标分割模型，包括：根据目标损失函数和所述增量训练数据对所述初始分割模型进行增量训练，并确定所述数据训练池中是否还存在训练数据；在所述数据训练池中不存在训练数据时，完成迭代训练；根据所述迭代训练结果得到目标分割模型。

在具体实现中，根据目标损失函数和增量训练数据对初始分割模型进行增量训练，并确定数据训练池中是否还存在训练数据，即确定数据训练池中的数据是否已被抽取完，在抽取完成后，完成此次迭代训练，根据迭代训练结果得到目标分割模型。

需要说明的是，如图5所示，具体训练过程为，在开始第一轮迭代训练时，迭代训练即数据训练池中的所有训练数据的一个正向传递和一个反向传递，根据数据标记后的图像训练集和目标训练集构建数据训练池，不放回的按照模型训练策略抽取批次个增量训练数据，基于增量训练数据和目标损失函数进行模型训练，并确定是否抽取完数据训练池中的数据，在抽取完成后结束本轮迭代训练，并等待下一轮迭代训练开始，直至迭代训练完成，根据完成训练后的迭代训练结果得到目标分割模型。

可以理解的是，为了目标分割模型的参数可被更新，引入知识蒸馏的训练架构，进一步地，所述根据目标损失函数、所述增量训练数据、所述初始分割模型进行增量训练，得到目标分割模型之前，还包括：获取预设分割损失函数和蒸馏损失函数；根据所述预设分割函数和所述蒸馏损失函数确定目标损失函数。

在具体实现中，预设分割损失函数指的是预先设定的分割损失函数，对预设分割损失函数不做限定，可为交叉熵损失函数或其他损失函数，交叉熵损失函数为，其中，为标记训练集，为所有类别，为图像训练集中图像的真实标注，为目标分割模型输出。

需要说明的是，蒸馏损失函数为基于蒸馏知识的损失函数，其中，为标记训练集，为模型输入，为初始分割模型输出，为目标分割模型输出。

本实施例中通过对所述图像训练集和所述目标训练集进行数据标记，得到标记数据集；根据所述标记数据集确定构建数据训练池；根据模型训练策略在所述数据训练池中进行数据抽取，得到增量训练数据；根据目标损失函数、所述增量训练数据、所述初始分割模型进行增量训练，得到目标分割模型。通过上述方式，基于目标训练集和图像训练集构建的数据训练池，利用知识蒸馏的训练架构对初始分割模型进行训练，从而使目标分割模型的参数可被更新，在保留旧知识的情况下，目标分割模型能够获取新知识，获取到的目标训练模型的指标得到提升，且训练时间较短，有利于线上模型进行快速的迭代更新。

此外，参照图6，本发明实施例还提出一种图像分割装置，所述图像分割装置包括：

获取模块10，用于在接收到图像分割任务时，获取图像训练集。

训练模块20，用于根据所述图像训练集进行模型训练，得到初始分割模型。

确定模块30，用于根据所述初始分割模型在所述图像训练集中确定目标训练集。

所述训练模块20，还用于根据所述图像训练集、所述目标训练集以及所述初始分割模型进行更新训练，得到目标分割模型。

完成模块40，用于根据所述目标分割模型完成所述图像分割任务。

本实施例通过在接收到图像分割任务时，获取图像训练集；根据所述图像训练集进行模型训练，得到初始分割模型；根据所述初始分割模型在所述图像训练集中确定目标训练集；根据所述图像训练集、所述目标训练集以及所述初始分割模型进行更新训练，得到目标分割模型；根据所述目标分割模型完成所述图像分割任务。通过上述方式，在初始分割模型不满足上线要求时，在图像训练集中确定目标训练集，并基于目标训练集和图像训练集对初始分割模型进行更新训练，从而得到满足上线要求且分割性能更好的目标分割模型，基于目标分割模型完成图像分割任务，提高了图像分割任务的分割精度。

在一实施例中，所述训练模块20，还用于对所述图像训练集和所述目标训练集进行数据标记，得到标记数据集；

根据所述标记数据集确定构建数据训练池；

根据模型训练策略在所述数据训练池中进行数据抽取，得到增量训练数据；

根据目标损失函数、所述增量训练数据、所述初始分割模型进行增量训练，得到目标分割模型。

在一实施例中，所述训练模块20，还用于根据目标损失函数和所述增量训练数据对所述初始分割模型进行增量训练，并确定所述数据训练池中是否还存在训练数据；

在所述数据训练池中不存在训练数据时，完成迭代训练；

根据所述迭代训练结果得到目标分割模型。

在一实施例中，所述训练模块20，还用于获取预设分割损失函数和蒸馏损失函数；

根据所述预设分割函数和所述蒸馏损失函数确定目标损失函数。

在一实施例中，所述确定模块30，还用于获取预设评估指标；

根据所述预设评估指标对所述初始分割模型进行上线评估，得到评估结果；

在所述评估结果为所述初始分割模型不满足所述预设评估指标时，执行根据所述初始分割模型在所述图像训练集中确定目标训练集。

在一实施例中，所述确定模块30，还用于在所述评估结果为所述初始分割模型满足所述预设评估指标时，根据所述初始分割模型完成所述图像分割任务。

在一实施例中，所述完成模块40，还用于根据所述图像分割任务确定待分割图像；

输入所述待分割图像至所述目标分割模型，得到图像分割结果；

根据所述图像分割结果完成所述图像分割任务。

由于本装置采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。

此外，本发明实施例还提出一种存储介质，所述存储介质上存储有图像分割程序，所述图像分割程序被处理器执行时实现如上文所述的图像分割方法的步骤。

由于本存储介质采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。

需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。

另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的图像分割方法，此处不再赘述。

此外，需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如只读存储器（Read Only Memory，ROM）/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，或者网络设备等）执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种图像分割方法，其特征在于，所述图像分割方法包括：

在接收到图像分割任务时，获取图像训练集；

根据所述图像训练集进行模型训练，得到初始分割模型；

根据所述初始分割模型在所述图像训练集中确定目标训练集；

根据所述图像训练集、所述目标训练集以及所述初始分割模型进行更新训练，得到目标分割模型；

根据所述目标分割模型完成所述图像分割任务。

2.如权利要求1所述的图像分割方法，其特征在于，所述根据所述图像训练集、所述目标训练集以及所述初始分割模型进行更新训练，得到目标分割模型，包括：

对所述图像训练集和所述目标训练集进行数据标记，得到标记数据集；

根据所述标记数据集确定构建数据训练池；

根据模型训练策略在所述数据训练池中进行数据抽取，得到增量训练数据；

根据目标损失函数、所述增量训练数据、所述初始分割模型进行增量训练，得到目标分割模型。

3.如权利要求2所述的图像分割方法，其特征在于，所述根据目标损失函数、所述增量训练数据、所述初始分割模型进行增量训练，得到目标分割模型，包括：

根据目标损失函数和所述增量训练数据对所述初始分割模型进行增量训练，并确定所述数据训练池中是否还存在训练数据；

在所述数据训练池中不存在训练数据时，完成迭代训练；

根据所述迭代训练结果得到目标分割模型。

4.如权利要求2所述的图像分割方法，其特征在于，所述根据目标损失函数、所述增量训练数据、所述初始分割模型进行增量训练，得到目标分割模型之前，还包括：

获取预设分割损失函数和蒸馏损失函数；

根据所述预设分割损失函数和所述蒸馏损失函数确定目标损失函数。

5.如权利要求1所述的图像分割方法，其特征在于，所述根据所述初始分割模型在所述图像训练集中确定目标训练集之前，还包括：

获取预设评估指标；

根据所述预设评估指标对所述初始分割模型进行上线评估，得到评估结果；

在所述评估结果为所述初始分割模型不满足所述预设评估指标时，执行根据所述初始分割模型在所述图像训练集中确定目标训练集。

6.如权利要求5所述的图像分割方法，其特征在于，所述根据所述预设评估指标对所述初始分割模型进行上线评估，得到评估结果之后，还包括：

在所述评估结果为所述初始分割模型满足所述预设评估指标时，根据所述初始分割模型完成所述图像分割任务。

7.如权利要求1至6中任一项所述的图像分割方法，其特征在于，所述据所述目标分割模型完成所述图像分割任务，包括：

根据所述图像分割任务确定待分割图像；

输入所述待分割图像至所述目标分割模型，得到图像分割结果；

根据所述图像分割结果完成所述图像分割任务。

8.一种图像分割装置，其特征在于，所述图像分割装置包括：

获取模块，用于在接收到图像分割任务时，获取图像训练集；

训练模块，用于根据所述图像训练集进行模型训练，得到初始分割模型；

确定模块，用于根据所述初始分割模型在所述图像训练集中确定目标训练集；

所述训练模块，还用于根据所述图像训练集、所述目标训练集以及所述初始分割模型进行更新训练，得到目标分割模型；

完成模块，用于根据所述目标分割模型完成所述图像分割任务。

9.一种图像分割设备，其特征在于，所述图像分割设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的图像分割程序，所述图像分割程序配置为实现如权利要求1至7中任一项所述的图像分割方法。

10.一种存储介质，其特征在于，所述存储介质上存储有图像分割程序，所述图像分割程序被处理器执行时实现如权利要求1至7任一项所述的图像分割方法。

Images