【技术实现步骤摘要】
目标对象的确定方法、装置、存储介质及电子装置
本专利技术涉及计算机领域，具体而言，涉及一种目标对象的确定方法、装置、存储介质及电子装置。
技术介绍
从图像中分割出目标对象越来越得到广泛的应用，比如：自动乳腺全容积图像中分割出乳腺肿瘤是一种有效的计算机辅助诊断方法，分割出乳腺解剖层则对乳腺密度估计以及乳腺癌早期诊断很有帮助，传统的自动化解决方案往往不能让专家从劳动密集型的手工标注中解脱出来。目前常见的分割方法下采样阶段网络过深导致病灶难以检出，上采样阶段采用逐步上采样策略导致语义信息在上采样阶段逐渐被横向连接的位置特征“稀释”，最终的输出语义信息不足，对于病灶的分割不准确。在乳腺肿瘤的分割上表现出假阳较高的情况。针对上述的问题，目前尚未提出有效的解决方案。
技术实现思路
本专利技术实施例提供了一种目标对象的确定方法、装置、存储介质及电子装置，以至少解决确定目标对象的准确率较低的技术问题。根据本专利技术实施例的一个方面，提供了一种目标对象的确定方法，包括：获取待检测的图像所对应的特征映射图，其中，所述特征映射图用于指示所述待检测的图像中像素点对应的特征向量；根据所述特征映...
【技术保护点】
1.一种目标对象的确定方法，其特征在于，包括：获取待检测的图像所对应的特征映射图，其中，所述特征映射图用于指示所述待检测的图像中像素点对应的特征向量；根据所述特征映射图确定所述待检测的图像中的目标图像区域以及待检测对象，其中，所述目标图像区域为所述待检测的图像所拍摄的第一对象所具有的目标层所在的区域，所述第一对象包括多个层，所述多个层包括所述目标层，所述待检测对象为所述第一对象中所携带的对象；将所述待检测对象中位于所述目标图像区域内的对象确定为目标对象。
【技术特征摘要】
1.一种目标对象的确定方法，其特征在于，包括：获取待检测的图像所对应的特征映射图，其中，所述特征映射图用于指示所述待检测的图像中像素点对应的特征向量；根据所述特征映射图确定所述待检测的图像中的目标图像区域以及待检测对象，其中，所述目标图像区域为所述待检测的图像所拍摄的第一对象所具有的目标层所在的区域，所述第一对象包括多个层，所述多个层包括所述目标层，所述待检测对象为所述第一对象中所携带的对象；将所述待检测对象中位于所述目标图像区域内的对象确定为目标对象。2.根据权利要求1所述的方法，其特征在于，根据所述特征映射图确定所述待检测的图像中的目标图像区域以及待检测对象包括：通过训练后的第一模型对所述特征映射图进行图像分割处理，得到所述训练后的第一模型输出的区域划分图像，其中，所述训练后的第一模型是使用标注了所述目标层的图像样本对第一模型进行训练后得到的模型，所述区域划分图像上显示了所述目标图像区域；通过训练后的第二模型对所述特征映射图进行图像分割处理，得到所述训练后的第二模型输出的对象划分图像，其中，所述训练后的第二模型是使用标注了所述目标对象的所述图像样本对所述第二模型进行训练后得到的模型，所述对象划分图像上显示了所述待检测对象。3.根据权利要求2所述的方法，其特征在于，在根据所述特征映射图确定所述待检测的图像中的目标图像区域以及待检测对象之前，所述方法还包括：通过第三模型获取标注了所述目标层的所述图像样本所对应的特征映射样本；使用标注了所述目标层的所述特征映射样本训练所述第一模型和所述第三模型，得到所述训练后的第一模型和训练后的第三模型，其中，所述训练后的第三模型用于获取待检测的图像所对应的特征映射图；根据所述训练后的第一模型和所述训练后的第三模型，使用标注了所述目标对象的所述图像样本训练所述第二模型，得到所述训练后的第二模型。4.根据权利要求3所述的方法，其特征在于，使用标注了所述目标层的所述特征映射样本训练所述第一模型和所述第三模型，得到所述训练后的第一模型和所述训练后的第三模型包括：使用标注了所述目标层的所述特征映射样本训练所述第一模型和所述第三模型直至所述第一模型达到第一收敛点，所述第三模型达到第二收敛点；将达到所述第一收敛点的所述第一模型确定为所述训练后的第一模型，并将达到所述第二收敛点的所述第三模型确定为所述训练后的第三模型。5.根据权利要求4所述的方法，其特征在于，根据所述训练后的第一模型和所述训练后的第三模型，使用标注了所述目标对象的所述图像样本训练所述第二模型，得到所述训练后的第二模型包括：将所述训练后的第一模型的学习率和所述训练后的第三模型的学习率调低至目标值；通过学习率为所述目标值的所述训练后的第三模型获取标注了所述目标对象的所述图像样本所对应的特征映射样本；使用学习率为所述目标值的所述训练后的第一模型和标注了所述目标对象的特征映射样本训练所述第二模型，得到所述训练后的第二模型，其中，将所述标注了所述目标对象的所述图像样本输入学习率为所述目标值的所述训练后的第一模型得到的输出与标注了所述目标对象的特征映射样本输入所述第二模型得到的输出进行相乘得到的结果作为所述第二模型的输出结果。6.根据权利要求5所述的方法，其特征在于，使用学习率为所述目标值的所述训练后的第一模型和标注了所述目标对象的特征映射样本训练所述第二模型，得到所述训练后的第二模型包括：使用学习率为所述目标值的所述训练后的第一模型和标注了所述目标对象的特征映射样本对所述第二模型进行迭代训练，直至迭代完成；通过迭代训练后的第二模型获取标注了所述目标对象的特征映射样本所对应的对象图像样本；使用所述对象图像样本和标注了所述目标对象的特征映射样本对第四模型进行迭代训练，直至迭代训练完成，其中，所述第四模型用于指示所述对象图像样本上的每个像素点所对应的权重，所述权重用于指示训练所述每个像素点的训练难度，其中，所述训练难度越大的像素点所对应的所述权重越大；使用迭代训练后的第四模型和标注了所述目标对象的特征映射样本训练所述迭代训练后的第二模型，得到所述训练后的第二模型。7.根据权利要求3所述的方法，其特征在于，通过第三模型获取标注了所述目标层的所述图像样本所对应的特征映射样本包括：从标注了所述目标层...
【专利技术属性】
技术研发人员：边成，
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
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。