[发明专利]用于生成图像分割模型的方法和装置

权利要求书

1.一种用于生成图像分割模型的方法，包括：

获取训练样本集合，其中，训练样本包括样本图像，与样本图像对应的关键点位置信息和与样本图像对应的分割结果；

利用深度学习算法，将所述训练样本集合中的训练样本包括的样本图像作为输入，将与输入的样本图像对应的分割结果作为期望输出，基于与输入的样本图像对应的关键点位置信息，训练得到图像分割模型；

其中，所述将所述训练样本集合中的训练样本包括的样本图像作为输入，将与输入的样本图像对应的分割结果作为期望输出，基于与输入的样本图像对应的关键点位置信息，训练得到图像分割模型，包括：

将所述训练样本集合中的训练样本包括的样本图像作为初始模型的输入，将与输入的样本图像对应的分割结果作为初始模型的期望输出，初始模型的网络结构包括用于输出关键点位置信息的子结构，将与输入的样本图像对应的关键点位置信息作为子结构的期望输出，训练得到图像分割模型；

其中，所述初始模型包括的用于输出关键点位置信息的子结构的数量大于等于2；

所述将与输入的样本图像对应的关键点位置信息作为子结构的期望输出，包括：

将与输入的样本图像对应的关键点位置信息作为初始模型包括的各个子结构的期望输出；以及

所述训练得到图像分割模型；包括：

基于所述初始模型包括的各个子结构的实际输出和期望输出，调整初始模型的模型参数，训练得到图像分割模型。

2.根据权利要求1所述的方法，其中，初始模型的网络结构包括残差网络空洞卷积ResNet Dilated Convolution结构。

3.一种用于分割图像的方法，包括：

获取待分割图像；

将所述待分割图像输入至预先训练的图像分割模型，得到分割结果，其中，所述图像分割模型是通过如权利要求1-2之一所述的方法训练得到的。

4.一种用于生成图像分割模型的装置，包括：

第一获取单元，被配置成获取训练样本集合，其中，训练样本包括样本图像，与样本图像对应的关键点位置信息和与样本图像对应的分割结果；

训练单元，被配置成利用深度学习算法，将所述训练样本集合中的训练样本包括的样本图像作为输入，将与输入的样本图像对应的分割结果作为期望输出，基于与输入的样本图像对应的关键点位置信息，训练得到图像分割模型；

其中，所述训练单元被进一步配置成：

将所述训练样本集合中的训练样本包括的样本图像作为初始模型的输入，将与输入的样本图像对应的分割结果作为初始模型的期望输出，初始模型的网络结构包括用于输出关键点位置信息的子结构，将与输入的样本图像对应的关键点位置信息作为子结构的期望输出，训练得到图像分割模型；

其中，初始模型包括的用于输出关键点位置信息的子结构的数量大于等于2；

所述训练单元被进一步配置成：

将与输入的样本图像对应的关键点位置信息作为初始模型包括的各个子结构的期望输出；以及

所述训练得到图像分割模型；包括：

基于所述初始模型包括的各个子结构的实际输出和期望输出，调整初始模型的模型参数，训练得到图像分割模型。

5.根据权利要求4所述的装置，其中，初始模型的网络结构包括残差网络空洞卷积ResNet Dilated Convolution结构。

6.一种用于分割图像的装置，包括：

第二获取单元，被配置成获取待分割图像；

输入单元，被配置成将所述待分割图像输入至预先训练的图像分割模型，得到分割结果，其中，所述图像分割模型是通过如权利要求1-2之一所述的方法训练得到的。

7.一种服务器，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-3中任一所述的方法。

8.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-3中任一所述的方法。