【技术实现步骤摘要】
图像处理的方法、设备和计算机可读存储介质
[0001]本公开的实施例涉及图像处理领域，并且更具体地，涉及用于图像处理的方法、设备和计算机可读存储介质。
技术介绍
[0002]图像语义分割是图像处理和计算机视觉领域的重要技术，其是图像理解的基础。图像语义分割是指针对图像中的每个像素进行分类，确定每个像素的语义类别(诸如，属于背景、人物或车辆等)，从而按照不同语义类别进行图像区域划分。
[0003]通常，可以基于训练数据集来训练图像语义分割模型(例如，深度神经网络)，以实现图像语义分割。深度神经网络具有强大的非线性拟合能力，可以被训练为处理复杂的任务。然而，深度神经网络的该特性容易导致过拟合问题。也即，训练后的模型过度拟合训练数据集而在其他数据集上表现不佳。
技术实现思路
[0004]本公开的实施例提供了用于图像处理的方法、设备和计算机可读存储介质。
[0005]在本公开的第一方面，提供一种图像处理的方法。该方法包括：获取多个图像，其中每个图像具有指示该图像中的像素的语义类别的初始语义分割标签；获...
【技术保护点】
【技术特征摘要】
1.一种图像处理的方法，包括：获取多个图像，其中每个图像具有指示所述每个图像中的像素的语义类别的初始语义分割标签；获取与所述多个图像相对应的多个图像掩码，其中每个图像掩码用于选择所述多个图像中的对应图像中的目标区域；基于所述多个图像掩码和所述多个图像的初始语义分割标签，重新生成所述多个图像的相应语义分割标签；以及基于所述多个图像和重新生成的相应语义分割标签，生成混合图像和所述混合图像的语义分割标签。2.根据权利要求1所述的方法，其中获取与所述多个图像相对应的多个图像掩码包括：针对所述多个图像中的第一图像，确定所述第一图像的多个像素的相应预测语义类别；基于所述多个像素的相应预测语义类别，确定所述多个像素的相应得分，其中每个像素的得分指示所述每个像素与所述第一图像中的目标区域的关联程度；以及基于所述多个像素的相应得分，确定所述第一图像的第一图像掩码，其中所述第一图像掩码用于选择所述多个像素中具有较高得分的至少部分像素。3.根据权利要求2所述的方法，其中确定所述第一图像中的多个像素的相应预测语义类别包括：利用图像语义分割模型，确定所述第一图像中的所述多个像素的相应预测语义类别。4.根据权利要求2所述的方法，其中确定所述第一图像中的多个像素的相应得分包括：针对所述多个像素中的第一像素，基于所述第一像素的预测语义类别和所述第一像素的语义类别之间的差异来确定所述第一像素的得分，其中所述第一像素的语义类别由所述第一图像的语义分割标签指示。5.根据权利要求2所述的方法，其中确定所述第一图像中的多个像素的相应得分包括：针对所述多个像素中的第二像素，基于所述第二像素的预测语义类别的不确定性来确定所述第二像素的得分。6.根据权利要求2所述的方法，其中确定所述第一图像中的多个像素的相应得分包括：针对所述多个像素中的第三像素，基于所述第三像素的预测语义类别的混乱程度来确定所述第三像素的得分。7.根据权利要求1所述的方法，其中重新生成所述多个图像的相应语义分割标签包括：将所述多个图像掩码中的每个图像掩码与所述多个图像中的对应图像的初始语义分割标签进行遮罩操作，以重新生成所述对应图像的语义分割标签。8.根据权利要求1所述的方法，其中生成混合图像和所述混合图像的语义分割标签包括：基于所述多个图像的相应权重，对所述多个图像进行加权求和，以生成所述混合图像；以及基于所述多个图像的相应权重，对重新生成的相应语义分割标签进行加权求和，以生成所述混合图像的语义分割标签。9.一种模型训练方法，包括：
获取训练数据，所述训练数据包括根据权利要求1至8中任一项所述的方法所生成的混合图像和所述混合图像的语义分割标签；以及基于所述训练数据来训练图像语义分割模型，以用于生成目标图像的语义分割标签。10.一种图像处理的方法，包括：获取输入图像；以及利用根据权利要求9所述的方法训练的图像语义分割模型，生成所述输入图像的语义分割标签。11....
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。