前景分割方法、装置、设备及介质制造方法及图纸

本申请涉及人工智能技术领域，尤其涉及一种前景分割方法、装置、设备及介质，方法包括：获取待处理图像；将所述待处理图像输入预先训练好的分割模型，得到分割图像；其中，预先训练好的分割模型通过基于图像训练样本数据集，采用损失函数对待训练分割模型进行训练得到。由于本申请实施例在训练前景分割模型的损失函数中引入不确定度损失惩罚项，即将AvUC损失函数作为一个惩罚项与交叉熵损失函数相结合，因此，能够减少因数据分布偏移而带来的预测不可靠性，从而提高了模型的准确性和可信度，此外，对于图像细节部分的处理能力增强。处理能力增强。处理能力增强。

【技术实现步骤摘要】
前景分割方法、装置、设备及介质


[0001]本申请涉及人工智能
，尤其涉及一种前景分割方法、装置、设备及介质。

技术介绍

[0002]图像分割是计算机视觉中不可缺少的任务之一，但该任务比其他视觉任务更加复杂，对精度的要求也更高。如今智能手机的功能日渐趋于多样化，人们对拍摄图像的质量和后处理方法要求也越来越高。有时会期望改变物体的位置进行组合或拼接，因此需要研究一种前景分割方法。目前的前景分割方法一般是训练前景分割模型，通过训练好的前景分割模型得到前景分割图像，但是当数据分布发生较大偏移时，目前的前景分割模型依然有可能给出自信但不准确的预测。因此通过事后校准方法对前景分割模型的置信度分数进行校准对模型的可靠性是非常重要的。

技术实现思路

[0003]针对上述技术问题，本申请的目的在于提供一种前景分割方法，旨在解决目前前景分割模型的可靠性低的技术问题。
[0004]为了解决上述技术问题，第一方面，本申请实施例提供一种前景分割检测方法，包括：
[0005]获取待处理图像；
[0006]将所述待处理图像输入预先训练好的分割模型，得到分割图像；其中，预先训练好的分割模型通过基于图像训练样本数据集，采用损失函数对待训练分割模型进行训练得到；其中，x表示图像训练样本，y表示标注好前景和背景的分割图像，c表示一批图像训练样本中的样本数量，a是设定的值，n
AC
表示图像训练样本中正确并且确定的像素数量，n
AU
表示图像训练样本中正确但不确定的像素数量，n
IC
表示图像训练样本中不正确并且确定的像素数量，n
IU
表示图像训练样本中不正确又不确定的像素，w表示模型的权重，y
j
表示第j个图像训练样本对应的标注好前景和背景的分割图像，p
j
表示第j个图像训练样本对应的分割模型的输出。
[0007]进一步的，所述n
AC
根据公式确定，所述n
AU
根据公式确定，所述n
IC
根据公式确定，所述n
IU
根据公式确定；其中，表示第j个图像训练样本的第i个像素的预测结果，y
i,j
表示第j个图像训练样本的第i个像素的实际结果，
μ
th
为预设的不确定估计的阈值。
[0008]进一步的，所述u
j
根据公式μ
j
＝
‑
Σ
y∈Υ
p
j
(y|x
j
，w)log p
j
(y|x
j
，w)确定；其中，μ
j
表示预测得到的第j个图像样本的置信度分数，即模型预测的不确定性估计，T表示输入图像训练样本随机正向传递的总次数，表示第j个样本第t次传递的输出，w
t
表示第t次传递的模型权重，Υ＝{0,1}。
[0009]进一步的，所述待训练分割模型为Unet模型。
[0010]第二方面，本申请实施例提供一种前景分割装置，包括：
[0011]获取模块，用于获取待处理图像；
[0012]输入模块，用于将所述待处理图像输入预先训练好的分割模型，得到分割图像；其中，预先训练好的分割模型通过基于图像训练样本数据集，采用损失函数对待训练分割模型进行训练得到；其中，x表示图像训练样本，y表示标注好前景和背景的分割图像，c表示一批图像训练样本中的样本数量，a是设定的值，n
AC
表示图像训练样本中正确并且确定的像素数量，n
AU
表示图像训练样本中正确但不确定的像素数量，n
IC
表示图像训练样本中不正确并且确定的像素数量，n
IU
表示图像训练样本中不正确又不确定的像素，w表示模型的权重，y
j
表示第j个图像训练样本对应的标注好前景和背景的分割图像，p
j
表示第j个图像训练样本对应的分割模型的输出。
[0013]进一步的，所述n
AC
根据公式确定，所述n
AU
根据公式确定，所述n
IC
根据公式确定，所述n
IU
根据公式确定；其中，表示第j个图像训练样本的第i个像素的预测结果，y
i,j
表示第j个图像训练样本的第i个像素的实际结果，μ
th
为预设的不确定估计的阈值。
[0014]进一步的，所述u
j
根据公式μ
j
＝
‑
Σ
y∈Υ
p
j
(y|x
j
，w)log p
j
(y|x
j
，w)确定；其中，μ
j
表示预测得到的第j个图像样本的置信度分数，即模型预测的不确定性估计，T表示输入图像训练样本随机正向传递的总次数，表示第j个样本第t次传递的输出，w
t
表示第t次传递的模型权重，Υ＝{0,1}。
[0015]进一步的，所述待训练分割模型为Unet模型。
[0016]第三方面，本申请实施例提供一种计算机设备，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上述任一项所述方法的步骤。
[0017]第四方面，本申请实施例提供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上述任一项所述的方法的步骤。
[0018]本申请实施例提供一种前景分割检测方法，包括：获取待处理图像；将所述待处理图像输入预先训练好的分割模型，得到分割图像；其中，预先训练好的分割模型通过基于图像训练样本数据集，采用损失函数对待训练分割模型进行训练得到。由于本申请实施例在训练前景分割模型的损失函数中引入不确定度损失惩罚项，即将AvUC损失函数作为一个惩罚项与交叉熵损失函数相结合，因此，能够减少因数据分布偏移而带来的预测不可靠性，从而提高了模型的准确性和可信度，此外，对于图像细节部分的处理能力增强。
附图说明
[0019]为了更清楚地说明本申请的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0020]图1是本申请第一实施例提供的一种前景分割方法的流程示意图；
[0021]图2是本申请第二实施例提供的一种前景分割装置的结构示意图；
[0022]图3为本申请第三实施例提供的计算机设备的结构示意框图。
具体实施方式
[0023]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种前景分割方法，其特征在于，包括：获取待处理图像；将所述待处理图像输入预先训练好的分割模型，得到分割图像；其中，预先训练好的分割模型通过基于图像训练样本数据集，采用损失函数对待训练分割模型进行训练得到；其中，x表示图像训练样本，y表示标注好前景和背景的分割图像，c表示一批图像训练样本中的样本数量，a是设定的值，n
AC
表示图像训练样本中正确并且确定的像素数量，n
AU
表示图像训练样本中正确但不确定的像素数量，n
IC
表示图像训练样本中不正确并且确定的像素数量，n
IU
表示图像训练样本中不正确又不确定的像素，w表示模型的权重，y
j
表示第j个图像训练样本对应的标注好前景和背景的分割图像，p
j
表示第j个图像训练样本对应的分割模型的输出。2.根据权利要求1所述的前景分割方法，其特征在于，所述n
AC
根据公式确定，所述n
AU
根据公式确定，所述n
IC
根据公式确定，所述n
IU
根据公式确定；其中，表示第j个图像训练样本的第i个像素的预测结果，y
i,j
表示第j个图像训练样本的第i个像素的实际结果，μ
th
为预设的不确定估计的阈值。3.根据权利要求2所示的前景分割方法，其特征在于，所述u
j
根据公式μ
j
＝
‑
∑
y∈Υ
p
j
(y|x
j
,w)logp
j
(y|x
j
,w)确定；其中，μ
j
表示预测得到的第j个图像样本的置信度分数，即模型预测的不确定性估计，T表示输入图像训练样本随机正向传递的总次数，表示第j个样本第t次传递的输出，w
t
表示第t次传递的模型权重，Υ＝{0,1}。4.根据权利要求1所述的前景分割方法，其特征在于，所述待训练分割模型为Unet模型。5.一种前景分割装置，其特征在于，包括：获取模块，用于获取待处理图像；输入模块，用于将所述待处理图像输入预先训练好的分割模型，得到分割图像；其中，预先训练好的分割模型通过基...

【专利技术属性】
技术研发人员：郑喜民，王颖妮，舒畅，陈又新，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：