The embodiment of the invention provides an image segmentation of foreground and background network model training, before the image background segmentation and video image processing method, device and terminal equipment, the image training background segmentation network model includes: acquiring feature vector of sample image to be trained; the feature vector convolution processing, acquisition the feature vector of the feature vector convolution results; convolution results amplified; determine the feature vector convolution results after amplification could satisfy the convergence condition; if satisfied, is used for convolutional neural network model for image segmentation before the background of training; if not, the parameters adjustment model of convolutional neural network based on feature vector convolution results after amplification the parameters according to the convolution neural network model after adjustment of the convolutional neural network model for iterative training, Until the convolution result satisfies the convergence condition. The training efficiency of the convolutional neural network model is improved and the training time is shortened by the embodiment of the invention.
【技术实现步骤摘要】
图像前背景分割及网络模型训练、图像处理方法和装置
本专利技术实施例涉及人工智能
,尤其涉及一种图像前背景分割网络模型的训练方法、装置和终端设备,一种图像前背景分割方法、装置和终端设备,以及,一种视频图像处理方法、装置和终端设备。
技术介绍
卷积神经网络是用于计算机视觉和模式识别的一个重要的研究领域,它通过计算机仿照生物大脑思维启发进行类似人类对特定对象的信息处理。通过卷积神经网络,能够有效地进行对象检测和识别。随着互联网技术的发展,信息量的急剧增加,卷积神经网络被越来越广泛地应用于对象检测及识别领域,以从大量的信息中寻找出实际所需的信息。目前,卷积神经网络需要采集大量的样本进行训练,以达到较为准确的预测效果。然而,目前的卷积神经网络训练过程复杂,加上训练样本数量的增加,造成训练时间长、训练成本高。
技术实现思路
本专利技术实施例提供了一种图像前背景分割网络模型的训练方案、一种图像前背景分割方案,以及,一种视频图像处理方案。根据本专利技术实施例的一个方面,提供了一种图像前背景分割网络模型的训练方法,包括:获取待训练的样本图像的特征向量,其中,所述样本图像为包含有前景标注信息和背景标注信息的样本图像;对所述特征向量进行卷积处理,获取特征向量卷积结果;对所述特征向量卷积结果进行放大处理;判断放大后的所述特征向量卷积结果是否满足收敛条件;若满足,则完成对用于分割图像前背景的卷积神经网络模型的训练;若不满足,则根据放大后的所述特征向量卷积结果调整所述卷积神经网络模型的参数并根据调整后的所述卷积神经网络模型的参数对所述卷积神经网络模型进行迭代训练,直至迭代训练后的特 ...
【技术保护点】
一种图像前背景分割网络模型的训练方法,包括:获取待训练的样本图像的特征向量,其中,所述样本图像为包含有前景标注信息和背景标注信息的样本图像;对所述特征向量进行卷积处理,获取特征向量卷积结果;对所述特征向量卷积结果进行放大处理;判断放大后的所述特征向量卷积结果是否满足收敛条件;若满足,则完成对用于分割图像前背景的卷积神经网络模型的训练;若不满足,则根据放大后的所述特征向量卷积结果调整所述卷积神经网络模型的参数并根据调整后的所述卷积神经网络模型的参数对所述卷积神经网络模型进行迭代训练,直至迭代训练后的特征向量卷积结果满足所述收敛条件。
【技术特征摘要】
1.一种图像前背景分割网络模型的训练方法,包括:获取待训练的样本图像的特征向量,其中,所述样本图像为包含有前景标注信息和背景标注信息的样本图像;对所述特征向量进行卷积处理,获取特征向量卷积结果;对所述特征向量卷积结果进行放大处理;判断放大后的所述特征向量卷积结果是否满足收敛条件;若满足,则完成对用于分割图像前背景的卷积神经网络模型的训练;若不满足,则根据放大后的所述特征向量卷积结果调整所述卷积神经网络模型的参数并根据调整后的所述卷积神经网络模型的参数对所述卷积神经网络模型进行迭代训练,直至迭代训练后的特征向量卷积结果满足所述收敛条件。2.根据权利要求1所述的方法,其中,对所述特征向量卷积结果进行放大处理包括:通过对所述特征向量卷积结果进行双线性插值,放大所述特征向量卷积结果。3.一种图像前背景分割方法,包括:获取待检测的图像,其中,所述图像包括静态图像或视频中的图像;采用卷积神经网络检测图像,获得所述图像的前景区域的预测信息和背景区域的预测信息;其中,所述卷积神经网络采用如权利要求1-2任一所述的方法训练而得的卷积神经网络。4.一种视频图像处理方法,包括:采用如权利要求1-2任一所述的方法训练而得的卷积神经网络检测视频图像,或者,采用如权利要求3所述的方法检测视频图像,得到前背景检测结果;根据所述前背景检测结果在所述视频图像上展示业务对象。5.一种图像前背景分割网络模型的训练装置,包括:向量获取模块,用于获取待训练的样本图像的特征向量,其中,所述样本图像为包含有前景标注信息和背景标注信息的样本图像;卷积获取模块,用于对所述特征向量进行卷积处理,获取特征向量卷积结果;放大模块,用于对所述特征向量卷积结果进行放大处理;判断模块,用于判断放大后的所述特征向量卷积结果是否满足收敛条件;执行模块,用于若所述判断模块的判断结果为满足收敛条件,则完成对用于分割图像前背景的卷积神经网络模型的训练;若所述判断...
【专利技术属性】
技术研发人员:石建萍,栾青,
申请(专利权)人:北京市商汤科技开发有限公司,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。