图像分割方法及图像分割模型训练方法技术

本说明书实施例提供图像分割方法及图像分割模型训练方法，该图像分割方法，包括确定包含目标对象的待检测图像；将所述待检测图像输入图像分割模型，获得针对所述待检测图像中目标对象的目标分割图像，其中，所述图像分割模型为基于无标签的初始图像样本集，对嵌入特征感知提示更新网络层的预训练模型进行训练获得，且所述预训练模型为通过上游任务进行有监督训练或者无监督训练获得。通过在数据选择(即在无标签的初始图像样本集中选择尽可能少的、有价值的样本进行标注)和模型微调(即通过少量的标注样本对通过上游任务训练的预训练模型进行微调)过程中优化模型，通过高性能的图像分割模型，可以获得更加准确的目标分割图像。像。像。

【技术实现步骤摘要】
图像分割方法及图像分割模型训练方法


[0001]本说明书实施例涉及图像分割
，特别涉及一种图像分割方法、一种图像分割模型训练方法。

技术介绍

[0002]深度学习在计算机辅助诊断中取得了很好的性能，但它依赖大规模的标记数据进行训练，而一些罕见疾病的数据量特别的少，并且医疗数据的标注，需要医学专家实现，成本高、耗时长，使得深度学习在进行医学图像分析时经常受到数据量少和标注成本高的挑战。
[0003]目前，将预训练模型迁移到下游任务，是解决数据量少的有效解决方案，但是使用少量的下游标注数据对预训练模型进行微调容易导致过拟合，造成训练好的深度学习模型并不能很好的应用在下游任务中。
[0004]因此，如何有效地利用少量的标注数据对预训练模型进行训练，提高训练后的深度学习模型的模型性能是急需要解决的技术问题。

技术实现思路

[0005]有鉴于此，本说明书实施例提供了两种图像分割方法。本说明书一个或者多个实施例同时涉及两种图像分割装置，两种图像分割模型训练方法，两种图像分割模型训练装置，一种电子设备，一种计算机可读存储本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像分割方法，包括：确定包含目标对象的待检测图像；将所述待检测图像输入图像分割模型，获得针对所述待检测图像中目标对象的目标分割图像，其中，所述图像分割模型为基于无标签的初始图像样本集，对嵌入特征感知提示更新网络层的预训练模型进行训练获得，且所述预训练模型为通过上游任务进行有监督训练或者无监督训练获得。2.一种图像分割模型训练方法，包括：确定初始图像样本集，其中，所述初始图像样本集中包括初始图像样本以及所述初始图像样本对应的样本标签；根据所述初始图像样本对应的样本标签确定源提示图像，并根据预设数量的上采样卷积操作，对所述源提示图像进行卷积，获得所述初始图像样本对应的视觉提示图像集；根据所述预设数量的数据增强类型，对所述初始图像样本进行数据增强，获得所述初始图像样本对应的图像增强样本集；根据所述初始图像样本对应的图像增强样本集、视觉提示图像集以及样本标签，对嵌入特征感知提示更新网络层的预训练模型进行训练，获得图像分割模型，其中，所述预训练模型为通过上游任务进行有监督训练或者无监督训练获得。3.根据权利要求2所述的图像分割模型训练方法，所述确定初始图像样本集，包括：确定无标签的初始图像样本集，其中，所述无标签的初始图像样本集中包括无标签的初始图像样本；将所述无标签的初始图像样本，输入所述预训练模型，获得所述无标签的初始图像样本对应的图像样本特征；利用预设多样性选择算法，从所述图像样本特征中，选择待标注的图像样本特征；对所述待标注的图像样本特征对应的初始图像样本进行标注，确定所述待标注的图像样本特征对应的初始图像样本的样本标签；根据所述待标注的图像样本特征对应的初始图像样本、以及所述待标注的图像样本特征对应的初始图像样本的样本标签，确定初始图像样本集。4.根据权利要求2所述的图像分割模型训练方法，所述样本标签为所述初始图像样本的分割图像样本；相应地，所述根据所述初始图像样本对应的样本标签确定源提示图像，包括：将所述初始图像样本的分割图像样本进行相加，根据相加结果以及所述初始图像样本的分割图像样本的数量，确定源提示图像，其中，所述源提示图像中包括分割位置为目标对象的概率。5.根据权利要求2所述的图像分割模型训练方法，所述根据所述初始图像样本对应的图像增强样本集、视觉提示图像集以及样本标签，对嵌入特征感知提示更新网络层的预训练模型进行训练，获得图像分割模型包括：将所述初始图像样本对应的图像增强样本集中的各图像增强样本、以及所述各图像增强样本对应的视觉提示图像集中的视觉提示图像，输入预训练模型的特征提取层，获得所述初始图像样本对应的图像增强样本特征集、以及视觉提示图像特征集；将所述初始图像样本对应的图像增强样本特征集中的各图像增强样本特征、以及所述
各图像增强样本特征对应的、视觉提示图像特征集中的视觉提取图像，输入所述预训练模型的特征感知提示更新网络层，获得所述初始图像样本对应的目标图像特征集；将所述初始图像样本对应的目标图像特征集中的各目标图像特征，输入所述预训练模型的分割层，获得所述初始图像样本对应的分割图像集；根据所述初始图像样本对应的分割图像集以及样本标签，对所述预训练模型进行训练，获得图像分割模型。6.根据权利要求5所述的图像分割模型训练方法，所述将所述初始图像样本对应的图像增强样本特征集中的各图像增强样本特征、以及所述各图像增强样本特征对应的、视觉提示图像特征集中的视觉提取图像，输入所述预训练模型的特征感知提示更新网络层，获得所述初始图像样本对应的目标图像特征集，包括：将所述初始图像样本对应的图像增强样本特征集中的各图像增强样本特征、以及所述各图像增强样本特征对应的、视觉提示图像特征集中的视觉提取图像，输入所述预训练模型的特征感知提示更新网络层；在所述特征感知提示更新网络层，将所述各图像增强样本特征、与其对应的视觉提示图像特征进行拼接，获得所述初始图像样本对应的图像拼接特征集；对所述图像拼接特征集中的各图像拼接特征进行卷积、融合以及注意力机制处理，获得所述初始图像样本对应的图像处理特征集；根据所述初始图像样本对应的图像增强样本特征集、视觉提示图像特征集以及图像处理特征集，获得所述初始图像样本对应的目标图像特征集。7.根据权利要求6所述的图像分割模型训练方法，所述根据所述初始图像样本对应的图像增强样本特征集、视觉提示图像特征集以及图像处理特征集，获得所述初始图像样本对应的目标图像特征集，包括：根据所述初始图像样本对应的图像增强样本特征集中的各图像增强样本特征、以及所述各图像增强样本特征对应的、图像处...

【专利技术属性】
技术研发人员：白帆，闫轲，白晓宇，吕乐，
申请(专利权)人：阿里巴巴达摩院杭州科技有限公司，
类型：发明
国别省市：