图像分割方法、图像分割模型训练方法、装置和存储介质制造方法及图纸

本申请涉及人工智能技术领域，特别是涉及一种图像分割方法、图像分割模型训练方法、装置和存储介质。所述图像分割方法包括：获取待分割图像；从所述待分割图像中提取体素特征；确定所述体素特征与不同类别对应的体素参考值之间的第一相似度；所述体素参考值是利用待分割的图像样本进行模型训练所得的模型参数；当所述体素特征中的目标体素特征与相应的所述类别对应的体素参考值之间的第一相似度满足分割条件时，则在所述待分割图像中分割所述目标体素特征对应的图块。采用本方法能够提高图像分割效率。

【技术实现步骤摘要】
图像分割方法、图像分割模型训练方法、装置和存储介质
本申请涉及人工智能
，特别是涉及一种图像分割方法、图像分割模型训练方法、装置和存储介质。
技术介绍
随着图像分割技术的发展，图像分割技术被广泛应用到各领域，如机器视觉、人脸识别以及医学影像分割等领域。在传统的图像分割方案中，如基于3D卷积神经网络的语义分割方案，通常需要专业人员对大量图像样本进行精确标注，利用图像样本和对应的标注（即标签）对3D卷积神经网络进行训练，然后通过训练后的3D卷积神经网络进行图像分割。然而，传统的图像分割方案中，需要大量的图像样本以及进行大量的标注，导致训练耗时，也影响了图像分割效率。
技术实现思路
基于此，有必要针对上述技术问题，提供一种能够提高图像分割效率，以及避免因大量的图像样本以及进行大量的标注而导致训练耗时大的图像分割方法、图像分割模型训练方法、装置和存储介质。一种图像分割方法，所述方法包括：获取待分割图像；从所述待分割图像中提取体素特征；确定所述体素特征与不同类别对应的体素参考值之间的第一相似度；所述体素参考值是利用待分割的图像样本进行模型训练所得的模型参数；当所述体素特征中的目标体素特征与相应的所述类别对应的体素参考值之间的第一相似度满足分割条件时，则在所述待分割图像中分割所述目标体素特征对应的图块。一种图像分割装置，所述装置包括：获取单元，用于获取待分割图像；提取单元，用于从所述待分割图像中提取体素特征；确定单元，用于确定所述体素特征与不同类别对应的体素参考值之间的第一相似度；所述体素参考值是利用待分割的图像样本进行模型训练所得的模型参数；分割单元，用于当所述体素特征中的目标体素特征与相应的所述类别对应的体素参考值之间的第一相似度满足分割条件时，则在所述待分割图像中分割所述目标体素特征对应的图块。一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：获取待分割图像；从所述待分割图像中提取体素特征；确定所述体素特征与不同类别对应的体素参考值之间的第一相似度；所述体素参考值是利用待分割的图像样本进行模型训练所得的模型参数；当所述体素特征中的目标体素特征与相应的所述类别对应的体素参考值之间的第一相似度满足分割条件时，则在所述待分割图像中分割所述目标体素特征对应的图块。一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：获取待分割图像；从所述待分割图像中提取体素特征；确定所述体素特征与不同类别对应的体素参考值之间的第一相似度；所述体素参考值是利用待分割的图像样本进行模型训练所得的模型参数；当所述体素特征中的目标体素特征与相应的所述类别对应的体素参考值之间的第一相似度满足分割条件时，则在所述待分割图像中分割所述目标体素特征对应的图块。上述图像分割方法、装置、计算机设备和存储介质，通过模型训练的方式获得模型参数，而不同类别对应的体素参考值属于模型参数，从而可以不需要采用大量图像样本以及对大量图像样本进行标注以进行模型训练，只需要少量图像样本进行模型训练得到训练完成后的模型参数，从而得到不同类别对应的体素参考值。此外，利用该体素参考值与从待分割图像中提取的体素特征进行相似度计算，当目标体素特征与相应类别对应的体素参考值之间的第一相似度满足分割条件时，则在待分割图像中分割目标体素特征对应的图块，可以有效地分割出对应的图块，提高了图像分割效率。一种图像分割模型训练方法，所述方法包括：获取待分割的图像样本；将所述图像样本输入机器学习模型，提取所述图像样本中各体素的训练体素特征；对所述训练体素特征与不同类别对应的待调整体素值进行相似度计算，得到第二相似度；所述待调整体素值属于所述机器学习模型中的模型参数；根据所确定的第二相似度计算损失值，并依据计算所得的损失值对所述机器学习模型中的各模型参数进行调整，直至调整后的机器学习模型对应的损失值小于损失阈值时停止训练；将训练后的所述机器学习模型所对应的待调整体素值作为体素参考值；所述体素参考值用于在进行图像分割时，计算与待分割图像的体素特征之间的第一相似度，并在所述待分割图像中依据所述第一相似度达到分割条件时所对应的目标体素特征进行图像分割。在一个实施例中，所述根据所确定的第二相似度计算损失值包括：根据确定的第二相似度依次计算交叉熵损失和嵌入损失；计算所述交叉熵损失和所述嵌入损失的和值，得到所述损失值。在一个实施例中，所述依据计算所得的损失值对所述机器学习模型中的各模型参数进行调整包括：当所述类别为第一指定类别时，将计算所得的损失值反向传播到所述机器学习模型，获得所述模型参数的第一梯度；根据获得的第一梯度对所述模型参数进行调整。在一个实施例中，所述依据计算所得的损失值对所述机器学习模型中的各模型参数进行调整包括：当所述类别为第二指定类别时，将计算所得的损失值从大到小进行排序；将排序序号达到预设名次的损失值反向传播到所述机器学习模型，获得所述模型参数的第二梯度；根据获得的第二梯度对所述模型参数进行调整。一种图像分割模型训练装置，所述装置包括：获取单元，用于获取待分割的图像样本；提取单元，用于将所述图像样本输入机器学习模型，提取所述图像样本中各体素的训练体素特征；第一计算单元，用于对所述训练体素特征与不同类别对应的待调整体素值进行相似度计算，得到第二相似度；所述待调整体素值属于所述机器学习模型中的模型参数；第二计算单元，用于根据所确定的第二相似度计算损失值；调整单元，用于依据计算所得的损失值对所述机器学习模型中的各模型参数进行调整，直至调整后的机器学习模型对应的损失值小于损失阈值时停止训练；确定单元，用于将训练后的所述机器学习模型所对应的待调整体素值作为体素参考值；所述体素参考值用于在进行图像分割时，计算与待分割图像的体素特征之间的第一相似度，并在所述待分割图像中依据所述第一相似度达到分割条件时所对应的目标体素特征进行图像分割。一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：获取待分割的图像样本；将所述图像样本输入机器学习模型，提取所述图像样本中各体素的训练体素特征；对所述训练体素特征与不同类别对应的待调整体素值进行相似度计算，得到第二相似度；所述待调整体素值属于所述机器学习模型中的模型参数；根据所确定的第二相似度计算损失值，并依据计算所得的损失值对所述机器学习模型中的各模型参数进行调整，直至调整后的机器学习模型对应的损失值小于损失阈值时停止训练；将训练后的所述机器学习模型所对应的待调整体素值作为体素参考值；所述体素参考值用于在进行图像分割时，计算与待分割图像的体素特本文档来自技高网...

【技术保护点】
1.一种图像分割方法，其特征在于，所述方法包括：/n获取待分割图像；/n从所述待分割图像中提取体素特征；/n确定所述体素特征与不同类别对应的体素参考值之间的第一相似度；所述体素参考值是利用待分割的图像样本进行模型训练所得的模型参数；/n当所述体素特征中的目标体素特征与相应的所述类别对应的体素参考值之间的第一相似度满足分割条件时，则/n在所述待分割图像中分割所述目标体素特征对应的图块。/n

【技术特征摘要】
1.一种图像分割方法，其特征在于，所述方法包括：
获取待分割图像；
从所述待分割图像中提取体素特征；
确定所述体素特征与不同类别对应的体素参考值之间的第一相似度；所述体素参考值是利用待分割的图像样本进行模型训练所得的模型参数；
当所述体素特征中的目标体素特征与相应的所述类别对应的体素参考值之间的第一相似度满足分割条件时，则
在所述待分割图像中分割所述目标体素特征对应的图块。


2.根据权利要求1所述的方法，其特征在于，所述从所述待分割图像中提取体素特征包括：
对所述待分割图像进行裁剪；
将裁剪后所得的待分割图像进行下采样，得到下采样体素特征；
对所述下采样体素特征进行上采样，获得所述待分割图像的体素特征。


3.根据权利要求2所述的方法，其特征在于，所述下采样体素特征包括初始体素特征、第一下采样体素特征和第二下采样体素特征；所述将裁剪后所得的待分割图像进行下采样，得到下采样体素特征包括：
通过机器学习模型的特征提取模块对裁剪后所得的待分割图像进行卷积处理，得到初始体素特征；
通过所述机器学习模型的第一编码器对所述初始体素特征进行下采样，得到所述第一下采样体素特征；
通过所述机器学习模型的第二编码器对所述第一下采样体素特征进行下采样，得到所述第二下采样体素特征。


4.根据权利要求3所述的方法，其特征在于，所述对所述下采样体素特征进行上采样，获得所述待分割图像的体素特征包括：
通过所述机器学习模型的第一解码器对所述第二下采样体素特征进行上采样，得到第一上采样体素特征；
通过所述机器学习模型的第二解码器对所述第一上采样体素特征进行上采样，得到第二上采样体素特征；
将所述初始体素特征、所述第一上采样体素特征、所述第二上采样体素特征和裁剪后的所述待分割图像中各体素的坐标进行拼接，得到体素特征。


5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
通过所述机器学习模型的第一转换层对所述第一下采样体素特征进行转换处理，得到第一转换体素特征；
将所述第一上采样体素特征进行上采样，得到第一目标上采样体素特征；
将所述第一转换体素特征和所述第一上采样体素特征所组成的拼接特征进行上采样，得到第二目标上采样体素特征；
通过所述机器学习模型的第二转换层对所述初始体素特征进行转换处理，得到目标初始体素特征；
所述将所述初始体素特征、所述第一上采样体素特征、所述第二上采样体素特征和裁剪后的所述待分割图像中各体素的坐标进行拼接包括：
将所述目标初始体素特征、所述第一目标上采样体素特征、所述第二目标上采样体素特征和裁剪后的所述待分割图像中各体素的坐标进行拼接。


6.根据权利要求3至5任一项所述的方法，其特征在于，所述机器学习模型的训练步骤包括：
获取待分割的图像样本；
将所述图像样本输入所述机器学习模型，提取所述图像样本中各体素的训练体素特征；
对所述训练体素特征与不同类别对应的待调整体素值进行相似度计算，得到第二相似度；所述待调整体素值属于所述机器学习模型中的模型参数；
根据所确定的第二相似度计算损失值；
依据计算所得的损失值对所述机器学习模型中的各模型参数进行调整，直至调整后的机器学习模型对应的损失值小于损失阈值时停止训练。


7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
当停止对所述机器学习模型进行训练时，将训练后的所述机器学习模型所对应的待调整体素值作为所述体素参考值。


8.根据权利要求1至4任一项所述的方法，其特征在于，所述确定所述体素特征与不同类别对应的体素参考...

【专利技术属性】
技术研发人员：崔恒基，魏东，顾实，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