[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

说明书

本申请提供了一种图像分割模型训练方法、图像分割方法、装置及电子设备，其中，图像分割模型训练方法包括：获取训练图像集中的各图像的兴趣区域图像，以得到训练图像集对应的兴趣图像集；将训练图像集与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。

技术领域

本申请涉及计算机技术领域，具体而言，涉及一种图像分割模型训练方法、图像分割方法、装置及电子设备。

背景技术

图像分割是指把图像分成若干个特定的、具有独特性质的区域然后提取出感兴趣目标的技术和过程，也就是在一幅图像中，把目标从背景中分离出来。由于图像中包括背景、缺陷、目标图像等信息，导致图像中的信息复杂、干扰因素多等因素，导致目前的图像的分割的精准度较低。

发明内容

有鉴于此，本申请实施例的目的在于提供一种图像分割模型训练方法、图像分割方法、装置及电子设备。能够达到提高图像分割的准确率的效果。

第一方面，实施例提供一种图像分割模型训练方法，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。

在可选的实施方式中，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。

在可选的实施方式中，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。

本申请实施例提供的图像分割模型训练方法，还可以循环训练模型，使模型能够达到设定的要求，从而使训练出来的图像分割模型的分割准确率更高。

在可选的实施方式中，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。

本申请实施例提供的图像分割模型训练方法，还可以使用逐层反向调节的方式对参数进行调整，从而可以使模型训练的速度相对更快。

在可选的实施方式中，所述初始神经网络模型为DenseNet网络模型，所述DenseNet网络模型包括一个卷积层、一个池化层、多个密集块、多个过渡层、一个全局池化层和一个全连接层。

在可选的实施方式中，所述多个密集块包括四个密集块，其中，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；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。