图像分割模型训练方法、图像分割方法、装置、设备及介质制造方法及图纸

本发明专利技术提供一种图像分割模型训练方法、图像分割方法、装置、设备及介质，该训练方法包括：获取样本数据集，所述样本数据集包含若干训练图像，各所述训练图像分别标注有对应的分割标签；根据所述样本数据集对预先建立的图像分割模型进行训练，所述图像分割模型包含编码器和解码器，其中，所述解码器采用子像素卷积网络进行上采样。本发明专利技术通过采用子像素卷积代替图像分割模型的解码器中常用的插值运算或转置卷积运算进行上采样，可以解决传统插值运算或转置卷积运算引入过多人工误差的问题，提高图像分割精度。

【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、设备及介质
本专利技术涉及图像处理领域，尤其涉及一种图像分割模型训练方法、图像分割方法、装置、设备及介质。
技术介绍
图像语义分割任务是指将图像中的每一个像素赋予一个带有语义的标签。早期的语义分割算法采用的是FCN(全卷积网络)，FCN是一种端到端的卷积神经网络体系结构，这种算法可以针对任何尺寸的图像生成分割映射，但存在的问题是：在原始图像分辨上进行卷积运算开销大。为了解决这个问题，FCN采用了下采样和上采样处理，但由于池化等操作会使得大量信息丢失，导致FCN会生成比较粗糙的分割映射。为了得到更高效的分割效果，又出现了一种包含编码器、解码器的U形框架，在高分辨率的特征中引入跳跃连接(shortcut/skipconnections)，以改善下采样和上采样后的粗糙分割映射。目前的图像语义分割算法大多基于编码器-解码器网络框架。其中，编码器通常是一个预训练的分类网络，如VGG(visualgeometrygroup，超分辨率测试序列)网络、Resnet(残差网络)等，编码器主要进行的是特征提取操作，本文档来自技高网...

【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获取样本数据集，所述样本数据集包含若干训练图像，各所述训练图像分别标注有对应的分割标签；/n根据所述样本数据集对预先建立的图像分割模型进行训练，所述图像分割模型包含编码器和解码器，其中，所述解码器采用子像素卷积网络进行上采样。/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：
获取样本数据集，所述样本数据集包含若干训练图像，各所述训练图像分别标注有对应的分割标签；
根据所述样本数据集对预先建立的图像分割模型进行训练，所述图像分割模型包含编码器和解码器，其中，所述解码器采用子像素卷积网络进行上采样。


2.根据权利要求1所述的的图像分割模型训练方法，其特征在于，在获取样本数据集后，所述方法还包括：
对所述样本数据集进行数据增强处理。


3.根据权利要求1所述的的图像分割模型训练方法，其特征在于，所述编码器包含多个依次级联的编码模块，其中，不同所述编码模块用于提取不同尺寸的编码特征图像。


4.根据权利要求3所述的的图像分割模型训练方法，其特征在于，所述解码器包含多个依次级联的解码模块，其中，不同所述解码模块以跳跃连接方式与对应所述编码模块相连，并且各所述解码模块分别包含所述子像素卷积模块以及与所述子像素卷积模块连接的残差块。


5.根据权利要求1所述的的图像分割模型训练方法，其特征在于，所述编码器采用轻量级网络。


6.根据权利要求1所述的的图像分割模型训练方法，其特征在于，所述子像素卷积模块包含卷积层、重塑层和转置层。


7.根据权利要求1所述的的图像分割模型训练方法，其特征在于，所述根据所述样本数据集对预先建立的图像分割模型进行训练，包括：
从所述样本数据集中选取目标训练图像输入至所述图像分割模型中进行处理，得到所述目标训练图像的分割结果；
根据所述目标训练图像对应的分割结果以及标注的分割标签，确定损失函数；
根据所述损失函数对所述图像分割模型进行迭代训练，直至满足预定训练终止条件。


8.一种图像分割方法，其特征在于，包括：
获取待分割图像；
基于权利要求1-7中任一项所述的方法训练得到的所述图像分割模型对所述待分割图像进行处理，得到所述待分割图像的目标分割结果。


9.一种图像分割模型训练装置，其特征在于，包括：
样本获取模块，用于获取样本数据集，所述样本数据集包含若干训练图像，各所述训练图像分别标注有对应的分割标签；
模型训练模块，用于根据所述样本数据集对预先建立的图像分割模型进行训练，所述图像分割模型包含编码器和解码...

【专利技术属性】
技术研发人员：宋苗，张海涛，
申请(专利权)人：展讯通信上海有限公司，
类型：发明
国别省市：上海;31