一种面向图像分割的损失函数加权方法及装置制造方法及图纸

本发明专利技术公开了一种面向图像分割的损失函数加权方法及装置，所述方法包括：构建具有前景和背景标注的适用于图像分割任务的图像数据集；根据图像中前景和背景所占的像素比例计算类别损失项；根据图像中前景和背景的形态计算形态损失项；根据图像中前景和背景相对于关键前景目标的距离计算目标距离损失项；将类别损失项、形态损失项和目标距离损失项加权累加，得到权重图；将权重图与交叉熵损失函数结合，确定图像分割模型的预测结果的损失值；在训练过程中，采用梯度下降的方式约束图像分割模型关注关键前景目标位置。本发明专利技术可以驱使人工智能模型在训练过程中学习到图像中目标的形状特征，从而提高图像分割任务中对于关键前景目标位置的定位准确率。景目标位置的定位准确率。景目标位置的定位准确率。

【技术实现步骤摘要】
一种面向图像分割的损失函数加权方法及装置


[0001]本专利技术涉及图像处理
，特别涉及一种面向图像分割的损失函数加权方法及装置。

技术介绍

[0002]随着硬件计算能力的进步和人工智能理论的发展，深度学习逐渐成为图像分割的主流方法。而在图像分割任务中，深度学习方法普遍呈现目标中心位置定位准确而边缘位置及关键位置定位不良的问题，无法有效地应用于工程实践。
[0003]目前针对该问题，Long等提出了一种类别平衡的加权方法，[Long J,Shelhamer E,Darrell T,et al.Fully convolutional networks for semantic segmentation[C].computer vision and pattern recognition,2015:3431
‑
3440.]，通过类别数目计算权重为图像中属于不同类别的像素赋予不同的权值，这样的方法引导网络学习数目少的类别信息，但该方法仅根据像素类别赋予权值并未考虑前景各独立目标区域的形状特性，难以获得正确的分割结果。Ronneberger等提出一种基于距离计算的损失函数加权方法，[Ronneberger O,Fischer P,Brox T.U
‑
net:Convolutional networks for biomedical image segmentation[C]//International Conference on Medical image computing and computer
‑
assisted intervention.Springer,Cham,2015:234
‑
241.]，通过为背景边界区域增加权重以获得较优的分割结果，该方法在背景边界越细的情况下权值越高，引导网络正确识别边缘。但是该方法仅对背景边界进行加权，并未对前景目标区域进行加权，同时该方法存在两个超参数，难以直接推广到其他数据集中。Caliv
á
F提出错误惩罚距离加权方法(Error－penalizing distance weight，EPDW)[Caliv
á
F，Iriondo C，Martinez A M，et al.Distance map loss penalty term for semantic segmentation[J].arXiv Preprint arXiv:1908.03679，2019.]，班晓娟提出一种基于背景边界的自适应加权方法，[班晓娟，马博渊，黄海友，等.一种基于骨架感知的损失函数加权方法及装置：中国，202010429250.2[P].2020
‑
05
‑
20.]，上述方法均利用距离变换函数获得前背景的权重图，但是该方法均未考虑前景目标关键位置识别精准度不高的情况，泛用性较低。

技术实现思路

[0004]本专利技术提供了一种面向图像分割的损失函数加权方法及装置，以解决现有技术所存在的图像分割模型难以准确定位关键前景目标位置且分割准确率低的技术问题。
[0005]为解决上述技术问题，本专利技术提供了如下技术方案：
[0006]一方面，本专利技术提供了一种面向图像分割的损失函数加权方法，包括：
[0007]构建具有前景和背景标注的适用于图像分割任务的图像数据集；
[0008]根据图像中前景和背景所占的像素比例计算类别损失项；
[0009]根据图像中前景和背景的形态计算形态损失项；
[0010]根据图像中前景和背景相对于关键前景目标的距离计算目标距离损失项；
[0011]将所述类别损失项、形态损失项和目标距离损失项进行加权累加，得到权重图；将所述权重图与交叉熵损失函数结合，确定基于机器学习方法的图像分割模型的预测结果的损失值；基于所述损失值，在采用所述图像数据集训练模型过程中，采用梯度下降的方式约束所述图像分割模型关注关键前景目标位置。
[0012]进一步地，所述类别损失项的计算过程包括：
[0013]通过下列公式计算类别权重：
[0014][0015]其中，num
k
为类别k的像素数目，k＝0时，表示类别为背景，k＝1时，表示类别为前景，类别数目为C+1，C＝1；i＝{0,1}，当i＝0时，表示背景中的类别权重；当i＝1时，表示前景中的类别权重；
[0016]将和映射到与标注同等大小的具有C+1通道的权重图中，形成类别损失项w
bce
。
[0017]进一步地，所述形态损失项计算过程包括：
[0018]通过下列公式计算像素点x的形态损失
[0019][0020]其中，d(x)为像素点x到所属类别Y
x
边缘的最近距离，x＝{0,1}，Y0表示类别为背景，Y1表示类别为前景；x
i
为像素点x在权重图i通道的映射；
[0021]对每个像素点x分别计算形态损失，然后映射到与标注同等大小的具有C+1通道的权重图中，形成形态损失项w
shape
。
[0022]进一步地，所述目标距离损失项的计算过程包括：
[0023]通过下列公式对每个像素点x分别计算目标距离损失w
ol
(x)：
[0024][0025]其中，d
A
(x)为像素点x到所述关键前景目标坐标位置A的距离；
[0026]对每个像素点x分别计算目标距离损失w
ol
(x)，然后映射到与标注同等大小的具有C+1通道的权重图中，形成目标距离损失项w
ol
。
[0027]进一步地，将所述类别损失项、形态损失项和目标距离损失项进行加权累加时，各损失项的权重值根据任务场景设定。
[0028]进一步地，所述损失值Loss的表达式为：
[0029][0030]其中，N为图像中像素点个数；表示类别为l(x)的像素点x对应的权重，l(x)＝{0,1}，若l(x)＝0，则在计算该像素点x的损失时使用背景像素点对应的权重若l(x)＝1，则在计算该像素点x的损失时使用前景像素点对应的权重p
l(x)
(x)指预测结果中像素点x属于其真实分类的概率，Ω表示像素空间。
[0031]另一方面，本专利技术还提供了一种面向图像分割的损失函数加权装置，包括：
[0032]数据集构建模块，用于构建具有前景和背景标注的适用于图像分割任务的图像数据集；
[0033]类别损失计算模块，用于根据图像中前景和背景所占的像素比例计算类别损失项；
[0034]形态损失计算模块，用于根据图像中前景和背景的形态计算形态损失项；
[0035]目标距离损失计算模块，用于根据图像中前景和背景相对于关键前景目标的距离计算目标距离损失项；
[0036]合并及训练模块，用于将所述类别损失项、形态损失项和目标距本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向图像分割的损失函数加权方法，其特征在于，包括：构建具有前景和背景标注的适用于图像分割任务的图像数据集；根据图像中前景和背景所占的像素比例计算类别损失项；根据图像中前景和背景的形态计算形态损失项；根据图像中前景和背景相对于关键前景目标的距离计算目标距离损失项；将所述类别损失项、形态损失项和目标距离损失项进行加权累加，得到权重图；将所述权重图与交叉熵损失函数结合，确定基于机器学习方法的图像分割模型的预测结果的损失值；基于所述损失值，在采用所述图像数据集训练模型过程中，采用梯度下降的方式约束所述图像分割模型关注关键前景目标位置。2.如权利要求1所述的面向图像分割的损失函数加权方法，其特征在于，所述类别损失项的计算过程包括：通过下列公式计算类别权重：其中，num
k
为类别k的像素数目，k＝0时，表示类别为背景，k＝1时，表示类别为前景，类别数目为C+1，C＝1；i＝{0,1}，当i＝0时，表示背景中的类别权重；当i＝1时，表示前景中的类别权重；将和映射到与标注同等大小的具有C+1通道的权重图中，形成类别损失项w
bce
。3.如权利要求2所述的面向图像分割的损失函数加权方法，其特征在于，所述形态损失项计算过程包括：通过下列公式计算像素点x的形态损失通过下列公式计算像素点x的形态损失其中，d(x)为像素点x到所属类别Y
x
边缘的最近距离，x＝{0,1}，Y0表示类别为背景，Y1表示类别为前景；x
i
为像素点x在权重图i通道的映射；对每个像素点x分别计算形态损失，然后映射到与标注同等大小的具有C+1通道的权重图中，形成形态损失项w
shape
。4.如权利要求3所述的面向图像分割的损失函数加权方法，其特征在于，所述目标距离损失项的计算过程包括：通过下列公式...

【专利技术属性】
技术研发人员：马博渊，康文彬，班晓娟，张雅斓，
申请(专利权)人：北京科技大学顺德研究生院，
类型：发明
国别省市：