图像数据处理方法、装置及介质制造方法及图纸

本申请的实施例提供了一种图像数据处理方法、装置、介质，涉及计算机及人工智能技术领域。该方法包括：获取待处理图像，所述待处理图像中包括至少一个目标对象；获取图像分割模型，所述图像分割模型包括基础分割模型和分割细化模型，所述基础分割模型用于提取所述待处理图像中目标对象的基础边界信息，所述分割细化模型用于修正所述基础边界信息；通过所述图像分割模型对所述待处理图像中的目标对象进行分割，得到目标边界信息。本申请实施例的技术方案可以提高图像数据处理的效率。术方案可以提高图像数据处理的效率。术方案可以提高图像数据处理的效率。

【技术实现步骤摘要】
图像数据处理方法、装置及介质


[0001]本申请涉及计算机及人工智能
，具体而言，涉及一种图像数据处理方法、装置及介质。

技术介绍

[0002]在图像数据处理场景中，比如在针对图像中目标对象的分割场景，通常采用经典的分割模型(例如HRnet、改进RCNN等)，但针对高分辨率图像的分割，经典的分割模型需采用高分辨率图像进行模型训练，且模型在训练过程较慢。
[0003]基于此，如何提高图像数据处理的效率是本领域技术人员亟待解决的技术问题。

技术实现思路

[0004]本申请的实施例提供了一种图像数据处理方法、装置、计算机程序产品或计算机程序、计算机可读介质，进而至少在一定程度上可以提高图像数据处理的效率。
[0005]本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。
[0006]根据本申请实施例的一个方面，提供了一种图像数据处理方法，包括：获取待处理图像，所述待处理图像中包括至少一个目标对象；获取图像分割模型，所述图像分割模型包括基础分割模型和分割细化模型，所述基础分割模型用于提取所述待处理图像中目标对象的基础边界信息，所述分割细化模型用于修正所述基础边界信息；通过所述图像分割模型对所述待处理图像中的目标对象进行分割，得到目标边界信息。
[0007]根据本申请实施例的一个方面，提供了一种图像数据处理装置，包括：第一获取单元，被用于获取待处理图像，所述待处理图像中包括至少一个目标对象；第二获取单元，被用于获取图像分割模型，所述图像分割模型包括基础分割模型和分割细化模型，所述基础分割模型用于提取所述待处理图像中目标对象的基础边界信息，所述分割细化模型用于修正所述基础边界信息；分割单元，被用于通过所述图像分割模型对所述待处理图像中的目标对象进行分割，得到目标边界信息。
[0008]在本申请的一些实施例中，基于前述方案，所述图像分割模型通过如下步骤预先训练：获取待训练基础分割模型和待训练分割细化模型；第四获取单元，被用于获取样本图像，以及获取针对所述样本图像中目标对象边界的标注信息，所述标注信息用于表征所述样本图像中各个目标对象的实际边界信息；训练单元，被用于基于所述待训练基础分割模型和所述待训练分割细化模型，通过所述样本图像和所述标注信息进行模型训练，得到所述图像分割模型。
[0009]在本申请的一些实施例中，基于前述方案，所述样本图像的图像分辨率低于预定分辨率阈值。
[0010]在本申请的一些实施例中，基于前述方案，所述训练单元配置为：通过所述样本图像和所述标注信息训练所述待训练基础分割模型，得到所述基础分割模型；获取由所述基
础分割模型对所述样本图像中的目标对象进行分割之后得到的基础边界信息；通过所述样本图像和所述基础边界信息训练所述待训练分割细化模型，得到所述分割细化模型；对所述基础分割模型和所述分割细化模型进行拼接，得到所述图像分割模型。
[0011]在本申请的一些实施例中，基于前述方案，所述训练单元还配置为：基于所述样本图像，通过所述待训练基础分割模型提取所述样本图像中目标对象的样本基础边界信息；根据所述样本基础边界信息和所述标注信息之间的误差，通过损失函数反向更新所述待训练基础分割模型中的模型参数，得到所述基础分割模型。
[0012]在本申请的一些实施例中，基于前述方案，所述待训练分割细化模型中包括由多个单网络结构通过级联方式连接的多级联网络结构，所述训练单元还配置为：将所述样本图像和所述基础边界信息输入至所述多级联网络结构；基于所述样本图像和所述基础边界信息，触发所述多级联网络结构自适应学习所述样本图像中目标对象的边界信息，得到所述分割细化模型。
[0013]在本申请的一些实施例中，基于前述方案，所述装置还包括：扰动单元，被用于在将所述样本图像和所述基础边界信息输入至所述多级联网络结构之前，对所述基础边界信息进行扰动操作，得到至少一个扰动的基础边界信息。
[0014]在本申请的一些实施例中，基于前述方案，所述训练单元还配置为：基于所述样本图像和所述基础边界信息，触发首个单网络结构自适应学习所述样本图像中目标对象的边界信息；基于所述样本图像，所述基础边界信息，以及上一个单网络结构输出的中间基础边界信息，触发除首个单网络结构之外的每一个单网络结构自适应学习所述样本图像中目标对象的边界信息，其中，所述多级联网络结构中每一个单网络结构输出的中间基础边界信息的信息尺度依次递增。
[0015]在本申请的一些实施例中，基于前述方案，所述多级联网络结构包括第一多级联网络结构和第二多级联网络结构，所述训练单元还配置为：基于所述样本图像和所述基础边界信息，触发所述第一多级联网络结构从图像的全局视角自适应学习所述样本图像中目标对象的边界信息，并输出针对所述样本图像中目标对象的全局基础边界信息；基于所述样本图像和所述全局基础边界信息，触发所述第二多级联网络结构从图像的局部视角自适应学习所述样本图像中目标对象的边界信息。
[0016]在本申请的一些实施例中，基于前述方案，所述训练单元还配置为：按照预定裁剪顺序，依次从所述样本图像中裁剪得到预定裁剪尺度的图像区域，并在所述全局基础边界信息中裁剪得到与所述图像区域对应的局部基础边界信息；基于所述图像区域和所述局部基础边界信息，触发所述第二多级联网络结构自适应学习所述样本图像中目标对象的边界信息。
[0017]在本申请的一些实施例中，基于前述方案，所述训练单元配置为：将所述待训练分割细化模型的模型结构嵌入在所述待训练图像分割模型中，得到待训练图像分割模型；通过所述样本图像和所述标注信息训练所述待训练图像分割模型，得到所述图像分割模型。
[0018]在本申请的一些实施例中，基于前述方案，所述待处理图像包括高分辨率人物图像，所述目标对象包括所述高分辨率人物图像中人物的目标区域，所述高分辨率人物图像的分辨率高于或等于预定分辨率阈值。
[0019]根据本申请实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计
算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行如上述实施例中所述的图像数据处理方法。
[0020]根据本申请实施例的一个方面，还提供了一种图像数据处理装置，其特征在于，包括有存储器，以及一个以上程序，其中一个以上程序存储于存储器中，且经配置以由一个以上处理器执行所述一个以上程序，所述一个以上程序包含用于进行如上述实施例中所述的图像数据处理方法的指令。
[0021]根据本申请实施例的一个方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条程序代码，所述至少一条程序代码由处理器加载并执行以实现如上述实施例中所述的图像数据处理方法所执行的操作。
[0022]在本申请的一些实施例所提供的技术方案中，由于所述图像分割模型包括用于提取所述待处理图像中目标对象的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像数据处理方法，其特征在于，所述方法包括：获取待处理图像，所述待处理图像中包括至少一个目标对象；获取图像分割模型，所述图像分割模型包括基础分割模型和分割细化模型，所述基础分割模型用于提取所述待处理图像中目标对象的基础边界信息，所述分割细化模型用于修正所述基础边界信息；通过所述图像分割模型对所述待处理图像中的目标对象进行分割，得到目标边界信息。2.根据权利要求1所述的方法，其特征在于，所述图像分割模型通过如下步骤预先训练：获取待训练基础分割模型和待训练分割细化模型；获取样本图像，以及获取针对所述样本图像中目标对象边界的标注信息，所述标注信息用于表征所述样本图像中各个目标对象的实际边界信息；基于所述待训练基础分割模型和所述待训练分割细化模型，通过所述样本图像和所述标注信息进行模型训练，得到所述图像分割模型。3.根据权利要求2所述的方法，其特征在于，基于所述待训练基础分割模型和所述待训练分割细化模型，通过所述样本图像和所述标注信息进行模型训练，得到所述图像分割模型，包括：通过所述样本图像和所述标注信息训练所述待训练基础分割模型，得到所述基础分割模型；获取由所述基础分割模型对所述样本图像中的目标对象进行分割之后得到的基础边界信息；通过所述样本图像和所述基础边界信息训练所述待训练分割细化模型，得到所述分割细化模型；对所述基础分割模型和所述分割细化模型进行拼接，得到所述图像分割模型。4.根据权利要求3所述的方法，其特征在于，所述通过所述样本图像和所述标注信息训练所述待训练基础分割模型，得到所述基础分割模型，包括：基于所述样本图像，通过所述待训练基础分割模型提取所述样本图像中目标对象的样本基础边界信息；根据所述样本基础边界信息和所述标注信息之间的误差，通过损失函数反向更新所述待训练基础分割模型中的模型参数，得到所述基础分割模型。5.根据权利要求3所述的方法，其特征在于，所述待训练分割细化模型中包括由多个单网络结构通过级联方式连接的多级联网络结构，所述通过所述样本图像和所述基础边界信息训练所述待训练分割细化模型，得到所述分割细化模型，包括：将所述样本图像和所述基础边界信息输入至所述多级联网络结构；基于所述样本图像和所述基础边界信息，触发所述多级联网络结构自适应学习所述样本图像中目标对象的边界信息，得到所述分割细化模型。6.根据权利要求5所述的方法，其特征在于，在将所述样本图像和所述基础边界信息输入至所述多级联网络结构之前，所述方法还包括：对所述基础边界信息进行扰动操作，得到至少一个扰动的基础边界信息。
7.根据权利要求5所述的方法，其特征在于，所述基于所述样本图像和所述基础边界信息，触发所述多级联网络结构自适应学习所述样本图像中目标对象的边界信息，包括:基于所述样本图像和所述基础边界信息，触发首个单网络结构自适应学习所述样本图像中目标对象的边界信息；基于所述样本图像，所述基础边界信息，以及上一个单网络结构输出的中间基础边界信息，触发除首个单网络结构之外的每一个单网络结构自适应学习所述样本图像中目标对象的边界信息，其中，所述多级联网络结构中每一个单网络结构输出的中间基础边界...

【专利技术属性】
技术研发人员：陈琦，
申请(专利权)人：北京搜狗科技发展有限公司，
类型：发明
国别省市：