[发明专利]图像分割模型训练方法、图像分割方法、装置及电子设备

权利要求书

1.一种图像分割模型训练方法，其特征在于，包括：

获取训练图像集中的各图像的兴趣区域图像，以得到所述训练图像集对应的兴趣图像集；

将所述训练图像集与所述兴趣图像集输入初始神经网络模型进行模型训练，以得到图像分割模型；其中，所述初始神经网络模型为DenseNet网络模型，所述DenseNet网络模型包括多个密集块和一个全连接层，所述多个密集块包括四个密集块，其中，第一个密集块和第二个密集块为普通卷积，第三个密集块和第四个密集块为空洞卷积，所述全连接层为多孔空间金字塔池化模块。

2.根据权利要求1所述的方法，其特征在于，所述获取训练图像集中的各图像的兴趣区域图像，以得到所述训练图像集对应的兴趣图像集的步骤，包括：

接收对所述训练图像集中的各图像中的选择操作，所述选择操作用于选择各图像中的兴趣区域；

根据所述选择操作截取各图像中的兴趣区域图像，以得到所述训练图像集对应的兴趣图像集。

3.根据权利要求1所述的方法，其特征在于，所述将所述训练图像集与所述兴趣图像集输入初始神经网络模型进行模型训练，以得到图像分割模型的步骤，包括：

根据所述训练图像集和所述兴趣图像集中的图像数据计算当前神经网络模型的当前损失值，所述当前神经网络模型为所述初始神经网络模型或更新待确定参数后得到的当前神经网络模型；

当所述损失值大于设定值时，更新所述当前神经网络模型的待确定参数得到更新的当前神经网络模型；

当所述损失值小于设定值，或更新所述待确定参数的次数达到指定次数时，将当前神经网络模型作为图像分割模型。

4.根据权利要求3所述的方法，其特征在于，所述当所述损失值大于设定值时，更新所述当前神经网络模型的待确定参数得到更新的当前神经网络模型的步骤，包括：

当所述损失值大于设定值时，使用逐层反向调节的方式更新所述当前神经网络模型的待确定参数得到更新的当前神经网络模型。

5.根据权利要求1-4任意一项所述的方法，其特征在于，所述DenseNet网络模型还包括一个卷积层、一个池化层、多个过渡层和一个全局池化层。

6.根据权利要求5所述的方法，其特征在于，所述多个密集块中，其中每个密集块的各层特征使用跳跃连接进行连接，各个密集块的输出特征也使用跳跃连接进行连接。

7.一种图像分割方法，其特征在于，包括：

获取待分割图像；

将所述待分割图像输入权利要求1-6任意一项所述的方法得到的图像分割模型中进行分割，得到图像分割结果。

8.一种图像分割模型训练装置，其特征在于，包括：

第一获取模块，用于获取训练图像集中的各图像的兴趣区域图像，以得到所述训练图像集对应的兴趣图像集；

训练模块，用于将所述训练图像集与所述兴趣图像集输入初始神经网络模型进行模型训练，以得到图像分割模型；其中，所述初始神经网络模型为DenseNet网络模型，所述DenseNet网络模型包括多个密集块和一个全连接层，所述多个密集块包括四个密集块，其中，第一个密集块和第二个密集块为普通卷积，第三个密集块和第四个密集块为空洞卷积，所述全连接层为多孔空间金字塔池化模块。

9.一种图像分割装置，其特征在于，包括：

第二获取模块，用于获取待分割图像；

分割模块，用于将所述待分割图像输入权利要求1-6任意一项所述的方法得到的图像分割模型进行分割，得到图像分割结果。

10.一种电子设备，其特征在于，包括：处理器、存储器，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述机器可读指令被所述处理器执行时执行如权利要求1至7任一所述的方法的步骤。

11.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至7任一所述的方法的步骤。