基于图像的对象分割方法、装置、设备和介质制造方法及图纸

本申请涉及一种基于图像的对象分割方法，包括：获取包括参照分割区域的像素级标注图像及包括标注点的点级标注图像，在参照分割区域采样至少两个采样点。通过第一分割网络基于各采样点进行分割预测，得到各采样点分别对应的预测分割区域，根据各预测分割区域之间的差异，及各预测分割区域与参照分割区域之间的差异，确定第一目标损失值，基于第一目标损失值训练第一分割网络；已训练的第一分割网络用于根据标注点对点级标注图像进行分割预测，得到包括伪标注分割区域的像素级伪标注图像。基于像素级标注图像和像素级伪标注图像训练第二分割网络；第二分割网络训练结束后用于分割目标图像中的目标对象。采用本方法可提升分割网络训练效率。络训练效率。络训练效率。

【技术实现步骤摘要】
基于图像的对象分割方法、装置、设备和介质


[0001]本申请涉及人工智能技术，更涉及图像处理领域，特别是涉及一种基于图像的对象分割方法、装置、设备和介质。

技术介绍

[0002]通过神经网络对图像进行自动化的目标对象分割，可以在很多场景发挥巨大的作用。比如，在医疗场景下，相比基于纯人工审阅医疗图像这种耗时耗力的方式，通过神经网络对医疗图像进行自动化的病灶分割可以帮助提高医生诊断的效率，同时也可以在一定程度上帮助基层医师进行高准确度的病灶识别，从而降低漏诊率。为了获得高准确率的神经网络，需要对神经网络进行训练。
[0003]传统技术中，通常采样全监督学习的方式对神经网络进行训练，即，需要获取人工标注出目标对象的大量样本图像对神经网络进行训练。然而，针对目标对象的像素级标注需要花费大量时间，导致样本图像的获取周期较长，从而影响了对神经网络的训练效率。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种能够提升分割网络训练效率的基于图像的对象分割方法、装置、设备和介质。
[0005]第一方面，本申请提供本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像的对象分割方法，其特征在于，所述方法包括：获取像素级标注图像和点级标注图像；所述像素级标注图像中包括按像素级别对目标对象进行分割标注的参照分割区域；所述点级标注图像中包括针对所述目标对象进行点级弱标注得到的标注点；对所述参照分割区域进行点采样，得到至少两个采样点；通过待训练的第一分割网络分别基于各所述采样点进行目标对象分割预测，得到各所述采样点分别对应的第一预测分割区域；根据各所述第一预测分割区域之间的差异，以及各所述第一预测分割区域分别与所述参照分割区域之间的差异，确定第一目标损失值；基于所述第一目标损失值对所述待训练的第一分割网络进行训练；训练得到的第一分割网络用于根据所述标注点对所述点级标注图像进行目标对象分割预测，得到包括伪标注分割区域的像素级伪标注图像；基于所述像素级标注图像和所述像素级伪标注图像训练第二分割网络；所述第二分割网络训练结束后用于分割目标图像中的所述目标对象。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：通过所述第一分割网络基于所述采样点对所述目标对象进行定位区域预测，得到各所述采样点分别对应的第一预测定位区域；所述根据各所述第一预测分割区域之间的差异，以及各所述第一预测分割区域分别与所述参照分割区域之间的差异，确定第一目标损失值，包括：根据各所述采样点分别对应的第一预测分割区域之间的差异，以及各所述采样点分别对应的第一预测定位区域之间的差异，确定第一损失值；根据各所述采样点对应的第一预测分割区域与所述参照分割区域之间的差异，确定第二损失值；根据所述第一损失值和所述第二损失值，确定第一目标损失值。3.根据权利要求2所述的方法，其特征在于，所述像素级标注图像中还包括按像素级别对目标对象进行定位标注的参照定位区域；所述根据各所述采样点对应的第一预测分割区域与所述参照分割区域之间的差异，确定第二损失值，包括：根据各所述采样点对应的第一预测分割区域与所述参照分割区域之间的差异，确定分割预测损失值；根据各所述采样点对应的第一预测定位区域与所述参照定位区域之间的差异，确定定位预测损失值；根据所述分割预测损失值和所述定位预测损失值，确定第二损失值。4.根据权利要求2所述的方法，其特征在于，所述第一分割网络包括定位检测单元和分割单元；所述方法还包括：通过所述第一分割网络中的定位检测单元基于所述采样点进行目标对象定位区域预测，得到第一预测定位区域；所述通过待训练的第一分割网络分别基于各所述采样点进行目标对象分割预测，得到各所述采样点分别对应的第一预测分割区域，包括：
通过所述第一分割网络中的分割单元分别基于各所述采样点进行目标对象分割预测，得到各所述采样点分别对应的第一预测分割区域。5.根据权利要求1所述的方法，其特征在于，所述基于所述第一目标损失值对所述待训练的第一分割网络进行训练，包括：基于所述第一目标损失值对所述待训练的第一分割网络进行初始训练，得到已初始训练的第一分割网络；将所述点级标注图像进行第一变换处理，得到第一变换图像；通过所述已初始训练的第一分割网络，基于所述点级标注图像对应的待预测图像和相应的第一变换图像中的标注点进行目标对象分割预测，并根据所述待预测图像中分割预测的预测分割区域与相应的所述第一变换图像中分割预测的预测分割区域，确定第二目标损失值；所述待预测图像是基于所述点级标注图像得到的图像；基于所述第二目标损失值对所述已初始训练的第一分割网络进行进阶训练。6.根据权利要求5所述的方法，其特征在于，所述通过所述已初始训练的第一分割网络，基于所述点级标注图像对应的待预测图像和相应的第一变换图像中的标注点进行目标对象分割预测，并根据所述待预测图像中分割预测的预测分割区域与相应的所述第一变换图像中分割预测的预测分割区域，确定第二目标损失值，包括：通过所述已初始训练的第一分割网络，基于所述第一变换图像中的标注点对所述第一变换图像进行目标对象分割预测，得到第二预测分割区域；通过所述已初始训练的第一分割网络，基于所述待预测图像中的标注点对所述待预测图像进行目标对象分割预测，得到第三预测分割区域；将所述第三预测分割区域进行所述第一变换处理，得到变换分割区域；根据所述第二预测分割区域与所述变换分割区域之间的差异，确定第二目标损失值。7.根据权利要求6所述的方法，其特征在于，所述通过所述已初始训练的第一分割网络，基于所述待预测图像中的标注点对所述待预测图像进行目标对象分割...

【专利技术属性】
技术研发人员：王红，施宇轩，李悦翔，郑冶枫，陈欣荣，余洪猛，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：