[发明专利]图像分割模型的训练方法及装置及图像分割方法及装置

权利要求书

1.一种图像分割模型的训练方法，其特征在于，所述方法包括：

获取多个图像样本以及每个所述图像样本对应的标定分割标签，其中，所述标定分割标签用于标识对应的图像样本中目标对象所占区域；

基于所述标定分割标签中所述目标对象的边缘像素点，确定每个所述标定分割标签对应的标定边缘标签；

将每个所述图像样本输入预先建立的初始图像分割模型的第一级网络中进行图像处理，得到每个所述图像样本对应的第一预测分割结果及预测边缘结果；

将每个所述图像样本以及对应的所述第一预测分割结果及所述预测边缘结果输入所述初始图像分割模型的第二级网络中进行图像分割处理，得到每个所述图像样本对应的第二预测分割结果；

基于每个所述图像样本对应的所述第一预测分割结果与所述标定分割标签的差异、所述第二预测分割结果与所述标定分割标签的差异以及所述预测边缘结果与所述标定边缘标签的差异，对所述初始图像分割模型进行训练，得到图像分割模型；

其中，所述第二级网络包括输入层、中间层及输出层；

所述将每个所述图像样本以及对应的所述第一预测分割结果及所述预测边缘结果输入所述初始图像分割模型的第二级网络中进行图像分割处理，得到每个所述图像样本对应的第二预测分割结果的步骤，包括：

将每个所述图像样本以及对应的所述第一预测分割结果输入所述输入层，以使所述输入层根据所述第一预测分割结果所标识的区域，从所述图像样本中提取对应区域的图像特征，得到第一特征图；

将所述第一特征图输入所述中间层进行图像特征提取，得到第二特征图；

将每个所述图像样本对应的所述预测边缘结果与每个所述图像样本对应的第二特征图进行拼接，得到第三特征图，所述第二特征图以及所述预测边缘结果均属于高维的稀疏语义特征；

将所述第三特征图输入所述输出层进行卷积处理，得到每个所述图像样本对应的第二预测分割结果。

2.如权利要求1所述的方法，其特征在于，所述第一级网络包括特征提取层、分割层及边缘层；

所述将每个所述图像样本输入预先建立的初始图像分割模型的第一级网络中进行图像处理，得到每个所述图像样本对应的第一预测分割结果及预测边缘结果的步骤，包括：

将每个所述图像样本输入所述特征提取层进行图像特征提取，得到第四特征图；

将所述第四特征图输入所述分割层进行图像分割处理，得到每个所述图像样本对应的第一预测分割结果；

将所述第四特征图输入所述边缘层进行边缘提取处理，得到每个所述图像样本对应的预测边缘结果。

3.如权利要求1所述的方法，其特征在于，所述基于每个所述图像样本对应的所述第一预测分割结果与所述标定分割标签的差异、所述第二预测分割结果与所述标定分割标签的差异以及所述预测边缘结果与所述标定边缘标签的差异，对所述初始图像分割模型进行训练，得到图像分割模型的步骤，包括：

基于每个所述图像样本对应的所述第一预测分割结果与所述标定分割标签的差异，计算第一损失函数；

基于每个所述图像样本对应的所述第二预测分割结果与所述标定分割标签的差异，计算第二损失函数；

基于每个所述图像样本对应的所述预测边缘结果与所述标定边缘标签的差异，计算第三损失函数；

根据所述第一损失函数、所述第二损失函数及所述第三损失函数，调整所述初始图像分割模型的参数，得到图像分割模型。

4.如权利要求3所述的方法，其特征在于，所述根据所述第一损失函数、所述第二损失函数及所述第三损失函数，调整所述初始图像分割模型的参数，得到图像分割模型的步骤，包括：

设定所述第一损失函数、所述第二损失函数及所述第三损失函数分别对应的权重；

基于所述权重，确定所述第一损失函数、所述第二损失函数及所述第三损失函数的加权和，作为目标损失函数；

基于所述目标损失函数调整所述初始图像分割模型的参数，直到所述初始图像分割模型收敛，将收敛的所述初始图像分割模型作为图像分割模型。