【技术实现步骤摘要】
图像分割模型训练方法、图像分割方法、装置及计算设备
本申请涉及计算机
，尤其涉及人工智能
，提供一种图像分割模型训练方法、图像分割方法、装置及计算设备。
技术介绍
随着人工智能技术的不断发展，人工智能的应用越来越广泛。大多是利用已训练的神经网络模型执行相应的图像处理任务，但是在执行图像处理任务之前，需要大量的样本对神经网络模型进行训练。目前，通常神经网络模型初始的模型参数是随机的，训练过程中需要依赖大量与任务相关的样本数据调整神经网络模型的模型参数，训练过程中模型收敛速度较慢。
技术实现思路
本申请实施例提供一种图像分割模型训练方法、图像分割方法、装置及计算设备，用于提高训练图像分割模型的效率。第一方面，提供了一种图像分割模型训练方法，包括：获取未标注的三维样本图像，将所述未标注的三维样本图像中各个像素点映射到第一立方体；其中，第一立方体包括多个切面；对所述第一立方体进行切面旋转，获得第二立方体，其中，所述第一立方体的形状与第二立方体的形状相同，包含的图像信息不同；将第...
【技术保护点】
1.一种图像分割模型训练方法，其特征在于，包括：/n获取未标注的三维样本图像，将所述未标注的三维样本图像中各个像素点映射到第一立方体；其中，第一立方体包括多个切面；/n对所述第一立方体进行切面旋转，获得第二立方体，其中，所述第一立方体的形状与第二立方体的形状相同，包含的图像信息不同；/n将第二立方体输入图像复原模型，预测各个像素点的像素值，获得复原结果，当复原结果与第一立方体之间的误差满足预设误差时，获得第一图像分割模型。/n
【技术特征摘要】
1.一种图像分割模型训练方法，其特征在于，包括：
获取未标注的三维样本图像，将所述未标注的三维样本图像中各个像素点映射到第一立方体；其中，第一立方体包括多个切面；
对所述第一立方体进行切面旋转，获得第二立方体，其中，所述第一立方体的形状与第二立方体的形状相同，包含的图像信息不同；
将第二立方体输入图像复原模型，预测各个像素点的像素值，获得复原结果，当复原结果与第一立方体之间的误差满足预设误差时，获得第一图像分割模型。
2.如权利要求1所述的方法，其特征在于，在获得第一图像分割模型之后，还包括：
获取已标注的三维样本图像，对所述第一图像分割模型进行训练，直到所述第一图像分割模型的损失满足预设损失，获得目标图像分割模型；其中，所述第一图像分割模型的损失用于表示输出的对已标注的三维样本图像进行分割的分割结果与标注的分割结果之间的误差。
3.如权利要求1所述的方法，其特征在于，在获得第一图像分割模型之后，还包括：
将所述第一图像分割模型的模型参数迁移到第二图像分割模型；其中，所述第二图像分割模型与所述图像复原模型具有相同结构的解码模块，具有相同结构的编码模块，具有不同的输出模块，所述图像复原模型的输出模块用于输出预测的各个像素点的像素值，所述第二图像分割模型的输出模块用于输出各个像素点所属的分类；
获取已标注的三维样本图像，对所述第二图像分割模型进行训练，直到所述第二图像分割模型的损失满足预设损失，获得目标图像分割模型；其中，所述第二图像分割模型的损失用于表示已标注的三维样本图像进行分割的分割结果与真实分割结果之间的误差。
4.如权利要求3所述的方法，其特征在于，所述第二图像分割模型中的输出模块与所述图像复原模型中的输出模块配置的激活函数不同。
5.如权利要求1～4任一项所述的方法，其特征在于，所述第一立方体中具有至少一个旋转轴，沿每一个旋转轴包括切面划分的，且与旋转轴垂直的多个层，对所述第一立方体进行切面旋转，获得第二立方体，包括：
对垂直于至少一个旋转轴的部分层进行预设角度旋转，获得第二立方体。
6.如权利要求1～4任一项所述的方法，其特征在于，所述第一图像分割模型为对抗生成网络中的生成器，所述第一图像分割模型的损失是根据所述对抗生成网络中的生成器的生成损失，和所述对抗生成网络中的判别器的判别损失加权得到的。
7.如权利要求1～4任一项所述的方法，其特征在于，所述图像复原模型包括依次连接的第一编码模块、第一解码模块和第一输出模块，将第二立方体输入图像复原模型，预测各个像素点的像素值，获得复原结果，当复原结果与第一立方体之间的误差满足预设误差时，获得第一图像分割模型，包括：
依次通过所述第一编码模块中的各个编码单元，对第二立方体进行特征提取，获得每个编码单元输出的第一特征图；
依次通过所述第一解码模块中各个解码单元，对各个第一特征图依次进行解码处理，获得各个解码单元输出的第二特征图；
通过所述第一输出模块，对各个第二特征图进行连接并...
【专利技术属性】
技术研发人员：陶星，李悦翔，马锴，郑冶枫，
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。