图像分割模型训练方法、图像分割方法、终端及介质技术

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、终端及计算机存储介质，其中，方法于执行单次模型训练时，包括：基于当前数据集和当前示例集，获取虚拟训练集和虚拟测试集；所述当前示例集为执行所述当前模型训练之前的各次模型训练时，所获得示例数据的集合；基于各所述数据集，采用同步梯度对齐的对偶元优化方法，对当前图像分割模型进行优化，以获得当前优化后的图像分割模型；于所述当前数据集中获取示例样本数据，以基于所述示例样本数据，更新所述当前示例集；本发明专利技术可以平衡图像分割模型的记忆能力和泛化能力，从而可以提高模型的图像分割效果和分割效率。模型的图像分割效果和分割效率。模型的图像分割效果和分割效率。

【技术实现步骤摘要】
图像分割模型训练方法、图像分割方法、终端及介质


[0001]本专利技术涉及图像分割
，特别涉及一种图像分割模型训练方法、图像分割方法、终端及计算机存储介质。

技术介绍

[0002]图像分割是指将图像分为若干个相互不重叠的子区域，使得同一个子区域内的特征具有一定相似性，不同子区域的特征呈现较为明显的差异，是图像处理和图像分析的关键步骤；图像分割的准确性高低，会对影像处理和分析结果效果产生重要的影响。
[0003]基于卷积神经网络的图像分割方法，因其具有较高的精度和鲁棒性，已得到了广泛的应用，该方法通常需要大量的训练数据对模型进行训练。对此，目前往往是将不同的训练数据集中至同一服务器后再进行训练，而这样处理会消耗大量的物理存储空间来保存各训练数据和训练过程数据，导致硬件成本增加等问题；并且，随着物联网的快速发展和普及，各数据通常会存在于各平台或终端中，例如对于医学临床领域，各训练数据通常存储于各医学中心，并将各中心的数据形成在线数据流。
[0004]然而，现有的基于卷积神经网络的图像分割方法，由于在模型训练时，通常将记忆能力和泛化能力分别定义成两个分离的任务；因而，于不同平台之间执行跨平台训练时，或利用不同组数据集依次执行模型训练时，往往会缺乏对之前数据流(之前平台上数据)的模型记忆能力，和缺少处理数据流外未知数据(之后平台数据)的模型泛化能力，

技术实现思路

[0005]鉴于以上现有技术中存在的缺点，本专利技术的目的在于提供一种图像分割模型训练方法、图像分割方法、终端及计算机存储介质，用于解决现有的图像分割模型在不同平台之间执行模型训练时，或利用不同组数据集执行模型训练时，存在模型记忆能力不足或模型泛化能力不足，即模型记忆和泛化无法兼顾，进而影响图像分割效果等问题。
[0006]为实现上述目的及其他相关目的，本专利技术于第一方面提供一种图像分割模型训练方法，其特征在于，基于各组数据集，依次对图像分割模型进行模型训练；于执行单次所述模型训练时，包括：基于当前数据集和当前示例集，获取虚拟训练集和虚拟测试集；所述当前示例集为执行所述当前模型训练之前的各次模型训练时，所获得示例数据的集合；基于各所述数据集，采用同步梯度对齐的对偶元优化方法，对当前图像分割模型进行优化，以获得当前优化后的图像分割模型；于所述当前数据集中获取示例样本数据，以基于所述示例样本数据，更新所述当前示例集。
[0007]于本专利技术一实施例中，所述基于当前数据集和当前示例集，获取虚拟训练集和虚拟测试集，包括：将所述当前数据集和所述当前示例集进行合并，获得当前的总数据集；采集随机方法，将该总数据集分为所述虚拟训练集和所述虚拟测试集。
[0008]于本专利技术一实施例中，所述采用同步梯度对齐的对偶元优化方法对当前图像分割模型进行优化，包括：利用第一损失函数，分别基于所述当前数据集和所述虚拟训练集，对
所述当前图像分隔模型进行优化，以对应获得第一优化模型和第二优化模型；以及，利用第二损失函数、所述第一优化模型和所述第二优化模型，分别基于所述当前示例集和所述虚拟测试数据集，对所述当前图像分割模型进行优化，以获得优化后的图像分割模型；其中，所述当前图像分隔模型为在执行上一次所述模型训练所获得的优化后的图像分割模型。
[0009]于本专利技术一实施例中，所述分别基于所述当前数据集和所述虚拟训练集对所述当前图像分隔模型进行优化，包括：采用最小化第一交叉熵损失函数方法，基于所述当前数据集对所述当前图像分割模型进行损失函数计算，以获得该第一交叉熵损失函数对应的数据集梯度；基于所述数据集梯度对所述当前图像分割模型进行优化，以获得优化后的第一优化模型的模型参数；以及，采用最小化第一交叉熵损失函数方法，基于所述虚拟训练集对所述当前图像分割模型进行损失函数计算，以获得对应的虚拟训练集梯度；基于所述虚拟训练集梯度对所述当前图像分割模型进行优化，以获得优化后的第二优化模型的模型参数。
[0010]于本专利技术一实施例中，所述第一交叉熵损失函数，包括：
[0011]L
ce1
＝y
i
log p
i
+(1
‑
y
i
)log(1
‑
p
i
)
[0012]其中，p
i
表示所述当前数据集或所述虚拟训练集中图像像素i被判定为分割前景的概率，y
i
表示所述当前数据集或所述虚拟训练集中图像像素i是否在与图像对应标签数据中作为前景像素的概率。
[0013]于本专利技术一实施例中，所述图像分割模型包括卷积神经网络，包括编码器、解码器和分割器；所述基于所述当前数据集对所述当前图像分割模型进行损失函数计算，包括：基于所述编码器对各所述图像样本数据进行编码，以获得各所述图像样本数据的特征编码；基于所述解码器对所述特征编码进行解码，以获得新的图像样本数据；基于所述分割器对所述新的图像样本数据进行分割处理，以获得对应的分割结果；基于各所述图像样本数据的分割结果和对应的标签信息，计算当前图像分割模型的损失函数值。
[0014]于本专利技术一实施例中，所述分别基于所述当前示例集和所述虚拟测试数据集对所述当前图像分割模型进行优化，包括：采用最小化第二交叉熵损失函数方法，基于所述当前示例集对所述第一优化模型进行损失函数计算，以获得对应的示例集梯度；和采用最小化第二交叉熵损失函数方法，基于所述虚拟测试集对所述第二优化模型进行损失函数计算，以获得对应的虚拟测试集梯度；基于所述示例集梯度和所述虚拟测试集梯度，对所述当前图像分割模型进行优化，以获得优化后图像分割模型的模型参数。
[0015]于本专利技术一实施例中，所述第二交叉熵损失函数，包括：
[0016]L
ce2
＝w
i
log q
i
+(1
‑
w
i
)log(1
‑
q
i
)
[0017]其中，q
i
表示所述当前示例集或所述虚拟测试集中图像像素i被判定为分割前景的概率，y
i
表所述当前示例集或所述虚拟测试集中图像像素i是否在与图像对应标签数据中作为前景像素的概率。
[0018]于本专利技术一实施例中，所述示例样本数据为用于表征所述当前数据集中数据分布特征的样本数据；所述获取示例样本数据，包括：获取所述当前数据集中各图像样本数据的图像特征值，和获得所述当前数据集对应的图像特征值均值，并计算各图像样本数据的图像特征值与所述特征值均值之间的特征距离；分别获取各之前示例集的中心点；其中，所述之前示例集为执行之前各次所述模型训练所获得的当前示例集；计算所述当前数据集中各图像样本数据与各所述中心点之间的离散度均值；基于各图像样本数据的所述特征距离和
所述离散度均值，获取各所述图像样本数据的分布特征；将各所述图像样本数据对应的分布特征值按数值大小排序，于各所述图像样本数据中提取分布特征值最大的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像分割模型训练方法，其特征在于，基于各组数据集，依次对图像分割模型进行模型训练；于执行单次所述模型训练时，包括：基于当前数据集和当前示例集，获取虚拟训练集和虚拟测试集；所述当前示例集为执行所述当前模型训练之前的各次模型训练时，所获得示例数据的集合；基于各所述数据集，采用同步梯度对齐的对偶元优化方法，对当前图像分割模型进行优化，以获得当前优化后的图像分割模型；于所述当前数据集中获取示例样本数据，以基于所述示例样本数据，更新所述当前示例集。2.根据权利要求1所述的图像分割模型训练方法，其特征在于，所述基于当前数据集和当前示例集，获取虚拟训练集和虚拟测试集，包括：将所述当前数据集和所述当前示例集进行合并，获得当前的总数据集；采集随机方法，将该总数据集分为所述虚拟训练集和所述虚拟测试集。3.根据权利要求1所述的图像分割模型训练方法，其特征在于，所述采用同步梯度对齐的对偶元优化方法对当前图像分割模型进行优化，包括：利用第一损失函数，分别基于所述当前数据集和所述虚拟训练集，对所述当前图像分隔模型进行优化，以对应获得第一优化模型和第二优化模型；以及，利用第二损失函数、所述第一优化模型和所述第二优化模型，分别基于所述当前示例集和所述虚拟测试数据集，对所述当前图像分割模型进行优化，以获得优化后的图像分割模型；其中，所述当前图像分隔模型为在执行上一次所述模型训练所获得的优化后的图像分割模型。4.根据权利要求3所述的图像分割模型训练方法，其特征在于，所述分别基于所述当前数据集和所述虚拟训练集对所述当前图像分隔模型进行优化，包括：采用最小化第一交叉熵损失函数方法，基于所述当前数据集对所述当前图像分割模型进行损失函数计算，以获得该第一交叉熵损失函数对应的数据集梯度；基于所述数据集梯度对所述当前图像分割模型进行优化，以获得优化后的第一优化模型的模型参数；以及，采用最小化第一交叉熵损失函数方法，基于所述虚拟训练集对所述当前图像分割模型进行损失函数计算，以获得对应的虚拟训练集梯度；基于所述虚拟训练集梯度对所述当前图像分割模型进行优化，以获得优化后的第二优化模型的模型参数。5.根据权利要求4所述的图像分割模型训练方法，其特征在于，所述第一交叉熵损失函数，包括：L
ce1
＝y
i log p
i
+(1
‑
y
i
)log(1
‑
p
i
)其中，p
i
表示所述当前数据集或所述虚拟训练集中图像像素i被判定为分割前景的概率，y
i
表示所述当前数据集或所述虚拟训练集中图像像素i是否在与图像对应标签数据中作为前景像素的概率。6.根据权利要求4所述的图像分割模型训练方法，其特征在于，所述图像分割模型包括卷积神经网络，包括编码器、解码器和分割器；所述基于所述当前数据集对所述当前图像分割模型进行损失函数计算，包括：基于所述编码器对各所述图像样本数据进行编码，以获得各所述图像样本数据的特征
编码；基于所述解码器对所述特征编码进行解...

【专利技术属性】
技术研发人员：沈定刚，张靖阳，
申请(专利权)人：上海科技大学，
类型：发明
国别省市：