图像分割模型的训练方法、装置、设备和存储介质制造方法及图纸

本申请提供了一种图像分割模型的训练方法、装置、设备和存储介质。所述方法包括：采用源域样本对初始的图像分割模型进行训练，得到预训练的图像分割模型；通过预训练的图像分割模型，提取源域图像的预测分割结果和目标域图像的预测分割结果；采用源域图像的预测分割结果和目标域图像的预测分割结果，对第一判别器进行训练；采用源域图像的预测分割结果和源域图像的标准分割结果，对第二判别器进行训练；根据预训练的图像分割模型的损失函数、第一判别器的对抗损失函数以及第二判别器的对抗损失函数，对预训练的图像分割模型进行再训练，如此迭代循环训练直至收敛得到完成训练的图像分割模型，使对目标域图像的分割结果更加准确。

Training Method, Device, Equipment and Storage Medium of Image Segmentation Model

【技术实现步骤摘要】
图像分割模型的训练方法、装置、设备和存储介质
本申请实施例涉及图像识别
，特别涉及一种图像分割模型的训练方法、装置、设备和存储介质。
技术介绍
图像分割是指对图像中的每个像素进行分类，并标注出目标区域。图像分割可以应用于医疗图像分析、无人车驾驶、地理信息系统、水下物体检测等领域。例如，在医疗图像分析领域，图像分割可用于实现如肿瘤和其它病灶的定位、组织体积的测量、解剖学结构的研究等工作。传统的图像分割方法依赖于大量的已标注的图像，且该方法的前提假设是训练图像集(即源域图像)和测试图像集(即目标域图像)的数据分布相一致。但是，在实际应用中，复杂多样的图像数据分布很难满足这一前提假设，因此导致在特定图像集上训练的模型泛化能力差，在来自不同域的图像集或者有域变化的图像集上的测试性能下降很多。在相关技术中，在训练图像分割模型的过程中，是将源域图像和目标域图像在特征空间对齐，使得最终训练得到的模型可以在特征空间适应于目标域图像。但是，从特征空间传递至输出空间，图像还会经过多步处理，从而导致目标域图像在输出空间输出的图像分割结果不够准确。
技术实现思路
本申请实施例提供了一种图像分割模型的训练方法、装置、设备和存储介质，可用于解决相关技术中，图像分割结果不够准确的问题。所述技术方案如下：一方面，本申请实施例提供了一种图像分割模型的训练方法，所述方法包括：采用源域样本对初始的图像分割模型进行训练，得到预训练的图像分割模型，所述源域样本包括源域图像和所述源域图像的标准分割结果；通过所述预训练的图像分割模型，提取所述源域图像的预测分割结果和目标域图像的预测分割结果；采用所述源域图像的预测分割结果和所述目标域图像的预测分割结果，对第一判别器进行训练；其中，所述第一判别器用于判别输入的分割结果来自于源域还是目标域；采用所述源域图像的预测分割结果和所述源域图像的标准分割结果，对第二判别器进行训练；其中，所述第二判别器用于判别输入的分割结果为预测分割结果还是标准分割结果；根据所述预训练的图像分割模型的损失函数、所述第一判别器的对抗损失函数以及所述第二判别器的对抗损失函数，对所述预训练的图像分割模型进行再训练，如此迭代循环训练直至收敛得到完成训练的图像分割模型。另一方面，本申请实施例提供了一种图像分割方法，所述方法包括：获取来自目标域的待分割图像；调用完成训练的图像分割模型处理所述待分割图像，得到所述待分割图像的分割结果，所述完成训练的图像分割模型是通过第一判别器和第二判别器，在输出空间采用对抗学习对图像分割模型进行训练得到的；其中，所述第一判别器用于在训练所述图像分割模型的过程中，减小目标域图像的预测分割结果与源域图像的预测分割结果之间的差异；所述第二判别器用于在训练所述图像分割模型的过程中，减小所述源域图像的预测分割结果与所述源域图像的标准分割结果之间的差异。还一方面，本申请实施例提供了一种图像分割模型的训练装置，所述装置包括：第一训练模块，用于采用源域样本对初始的图像分割模型进行训练，得到预训练的图像分割模型，所述源域样本包括源域图像和所述源域图像的标准分割结果；结果提取模块，用于通过所述预训练的图像分割模型，提取所述源域图像的预测分割结果和目标域图像的预测分割结果；第二训练模块，用于采用所述源域图像的预测分割结果和所述目标域图像的预测分割结果，对第一判别器进行训练；其中，所述第一判别器用于判别输入的分割结果来自于源域还是目标域；第三训练模块，用于采用所述源域图像的预测分割结果和所述源域图像的标准分割结果，对第二判别器进行训练；其中，所述第二判别器用于判别输入的分割结果为预测分割结果还是标准分割结果；第四训练模块，用于根据所述预训练的图像分割模型的损失函数、所述第一判别器的对抗损失函数以及所述第二判别器的对抗损失函数，对所述预训练的图像分割模型进行再训练，如此迭代循环训练直至收敛得到完成训练的图像分割模型。再一方面，本申请实施例提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述图像分割模型的训练方法，或者实现上述图像分割方法。再一方面，本申请实施例提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述图像分割模型的训练方法，或者实现上述图像分割方法。又一方面，本申请实施例提供一种计算机程序产品，当该计算机程序产品被执行时，其用于执行上述图像分割模型的训练方法，或者实现上述图像分割方法。本申请实施例提供的技术方案可以包括如下有益效果：本申请实施例提供的技术方案中，通过经源域样本预训练的图像分割模型，提取源域图像和目标域图像的预测分割结果，进一步将源域图像和目标域图像的预测分割结果输入至第一判别器，将源域图像的预测分割结果和源域图像的标准分割结果输入至第二判别器，采用对抗学习思想对预训练的图像分割模型进行再训练，如此迭代循环训练直至模型收敛，得到完成训练的图像分割模型。本申请提供的技术方案将源域图像和目标域图像在输出空间进行对齐，使得完成训练的图像分割模型可以在输出空间减小源域图像和目标域图像之间的差别，降低所训练的图像分割模型在对目标域分割的误差，进一步使得目标域图像的分割结果更加准确。附图说明图1是本申请一个实施例提供的图像分割模型的训练方法的流程图；图2示例性示出了图像分割模型训练方法的流程示意图；图3是本申请另一个实施例提供的图像分割模型的训练方法的流程图；图4示例性示出了不同分割方式下的分割结果的示意图；图5示出了不同分割方式下脑肿瘤分割结果的示例图；图6示出了不同分割方式下脊髓灰质分割结果的示例图；图7是本申请一个实施例提供的图像分割模型的训练装置的框图；图8是本申请一个实施例提供的图像分割模型的训练装置的框图；图9是本申请一个实施例提供的计算机设备的结构示意图。具体实施方式为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。图像分割是指对图像中的每个像素进行分类，并标注出目标区域。图像分割可以应用于医疗图像分析、无人车驾驶、地理信息系统、水下物体检测等领域。在医疗图像分析领域，图像分割可用于实现如肿瘤和其它病灶的定位、组织体积的测量、解剖学结构的研究等。在无人车驾驶领域，图像分割可用于在车载摄像头或者激光雷达获取到环境图像后，对环境图像进行处理，检测地面并识别出可通行区域，进而规划出行驶路径。在地理信息系统领域，图像分割可用于在采集到卫星遥感影像后，对卫星遥感影像进行处理，识别道路、河流、庄稼、建筑物等，并对影像中的每个像素进行标注。本申请实施例提供的技术方案中，基于DCNNs(DeepConvolutionalNeuralNetworks，深度卷积神经网络)和对抗学习思想提出了一种在输出空间进行领域自适应的图像分割模型。通过经源域样本预训练的图像分割模型，提取源域图像和目标域图像的预测分割结果，进一步将源域图像和目标域图像的预测分割结果输入至第一判别器，将源域图像的预测分割结果和源域图像本文档来自技高网...

【技术保护点】
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：采用源域样本对初始的图像分割模型进行训练，得到预训练的图像分割模型，所述源域样本包括源域图像和所述源域图像的标准分割结果；通过所述预训练的图像分割模型，提取所述源域图像的预测分割结果和目标域图像的预测分割结果；采用所述源域图像的预测分割结果和所述目标域图像的预测分割结果，对第一判别器进行训练；其中，所述第一判别器用于判别输入的分割结果来自于源域还是目标域；采用所述源域图像的预测分割结果和所述源域图像的标准分割结果，对第二判别器进行训练；其中，所述第二判别器用于判别输入的分割结果为预测分割结果还是标准分割结果；根据所述预训练的图像分割模型的损失函数、所述第一判别器的对抗损失函数以及所述第二判别器的对抗损失函数，对所述预训练的图像分割模型进行再训练，如此迭代循环训练直至收敛得到完成训练的图像分割模型。

【技术特征摘要】
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：采用源域样本对初始的图像分割模型进行训练，得到预训练的图像分割模型，所述源域样本包括源域图像和所述源域图像的标准分割结果；通过所述预训练的图像分割模型，提取所述源域图像的预测分割结果和目标域图像的预测分割结果；采用所述源域图像的预测分割结果和所述目标域图像的预测分割结果，对第一判别器进行训练；其中，所述第一判别器用于判别输入的分割结果来自于源域还是目标域；采用所述源域图像的预测分割结果和所述源域图像的标准分割结果，对第二判别器进行训练；其中，所述第二判别器用于判别输入的分割结果为预测分割结果还是标准分割结果；根据所述预训练的图像分割模型的损失函数、所述第一判别器的对抗损失函数以及所述第二判别器的对抗损失函数，对所述预训练的图像分割模型进行再训练，如此迭代循环训练直至收敛得到完成训练的图像分割模型。2.根据权利要求1所述的方法，其特征在于，所述采用所述源域图像的预测分割结果和所述目标域图像的预测分割结果，对第一判别器进行训练，包括：将所述源域图像的预测分割结果和所述目标域图像的预测分割结果分别输入至所述第一判别器，得到所述第一判别器的判别结果；根据所述第一判别器的判别结果，计算所述第一判别器的判别损失函数的值，其中，所述第一判别器的判别损失函数用于衡量所述第一判别器的判别准确度；通过最小化所述第一判别器的判别损失函数的值，来调整所述第一判别器的参数。3.根据权利要求2所述的方法，其特征在于，所述将所述源域图像的预测分割结果和所述目标域图像的预测分割结果分别输入至所述第一判别器，得到所述第一判别器的判别结果之后，还包括：根据所述第一判别器针对所述目标域图像的预测分割结果的判别结果，计算所述第一判别器的对抗损失函数的值；其中，所述第一判别器的对抗损失函数用于衡量所述目标域图像的预测分割结果与所述源域图像的预测分割结果之间的差异程度。4.根据权利要求1所述的方法，其特征在于，所述采用所述源域图像的预测分割结果和所述源域图像的标准分割结果，对第二判别器进行训练，包括：将所述源域图像的预测分割结果和所述源域图像的标准分割结果分别输入至所述第二判别器，得到所述第二判别器的判别结果；根据所述第二判别器的判别结果，计算所述第二判别器的判别损失函数的值，其中，所述第二判别器的判别损失函数用于衡量所述第二判别器的判别准确度；通过最小化所述第二判别器的判别损失函数的值，来调整所述第二判别器的参数。5.根据权利要求4所述的方法，其特征在于，所述将所述源域图像的预测分割结果和所述源域图像的标准分割结果分别输入至所述第二判别器，得到所述第二判别器的判别结果之后，还包括：根据所述第二判别器针对所述源域图像的预测分割结果的判别结果，计算所述第二判别器的对抗损失函数的值；其中，所述第二判别器的对抗损失函数用于衡量所述源域图像的预测分割结果与所述源域图像的标准分割结果之间的差异程度。6.根据权利要求1至5任一项所述的方法，其特征在于，所述根据所述预训练的图像分割模型的损失函数、所述第一判别器的对抗损失函数以及所述第二判别器的对抗损失函数，对所述预训练的图像分割模型进行再训练，如此迭代循环训练直至收敛得到完成训练的图像分割模型，包括：根据所述预训练的图像分割模型的损失函数、所述第一判别器的对抗损失函数以及所述第二判别器的对抗损失函数，构建目标函数；通过最小化所述图像分割模型的损失函数、所述第一判别器的对抗损失函数和所述第二判别器的对抗损失函数的加权和的值，并最大化所述第一判别器的判别损失函数的值和所述第二判别器的判别损失函数的值，来调整所述预训练的图像分割模型的参数，得到所述完成训练的图像分割模型。7.根据权利要求1至5任一项所述的方法，其特征在于，所述第一判别器和所述第二判别器共享参数。8.根据权利要求...

【专利技术属性】
技术研发人员：柳露艳，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东,44