[发明专利]用于生成图像分割模型的方法和装置

说明书

本公开的实施例公开了用于生成图像分割模型的方法和装置。该用于生成图像分割模型的方法的一具体实施方式包括：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。该实施方式丰富了图像分割模型的训练方式，有助于生成更准确的图像分割结果。

技术领域

本公开的实施例涉及计算机技术领域，具体涉及用于生成图像分割模型的方法和装置，以及用于生成图像分割模型的方法和装置。

背景技术

图像分割，就是把图像分成若干个特定的、具有独特性质的区域的技术和过程。它是由图像处理到图像分析的关键步骤。

现有的图像分割方法主要分为以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。从数学角度来看，图像分割是将数字图像划分成互不相交的区域的过程。图像分割的过程也是一个标记过程。

现有技术中，通常通过确定图像包括的每个像素点所属的类别，来实现对该图像的图像分割。

发明内容

本公开的实施例提出了用于生成图像分割模型的方法和装置，以及用于分割图像的方法和装置。

第一方面，本公开的实施例提供了一种用于生成图像分割模型的方法，该方法包括：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。

在一些实施例中，将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。

在一些实施例中，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；以及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。

在一些实施例中，初始模型的网络结构包括残差网络空洞卷积ResNet DilatedConvolution结构。

第二方面，本公开的实施例提供了一种用于分割图像的方法，该方法包括：获取待分割图像；将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，图像分割模型是通过如第一方面中任一实现方式描述的方法训练得到的。

第三方面，本公开的实施例提供了一种用于生成图像分割模型的装置，该方装置包括：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。

在一些实施例中，训练单元被进一步配置成：将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。