图像分割模型的训练方法及装置制造方法及图纸

本申请提供了一种图像分割模型的训练方法及装置

【技术实现步骤摘要】
图像分割模型的训练方法及装置、存储介质、电子装置


[0001]本申请涉及图像处理领域，具体而言，涉及一种图像分割模型的训练方法及装置
、
存储介质
、
电子装置
。

技术介绍

[0002]目前针对图像的分割处理通常是利用图像处理模型进行处理
。
而线状物体，例如电线
、
毛线
、
数据线的分割标注相对于其他障碍物的分割标注具有狭窄以及较为分散的特点，因此，并不利于深度学习分割的算法的收敛，从而使得图像分割模型在训练过程中收敛速度较慢
。
[0003]针对相关技术中，针对线状物的图像分割模型在训练过程中收敛速度慢尚未提出有效的解决方案
。

技术实现思路

[0004]本申请实施例提供了一种线状物图像分割模型的训练方法
、
机器人
、
存储介质
、
电子装置，以至少解决相关技术中针对线状物的图像分割模型在训练过程中收敛速度慢等问题
。
[0005]根据本申请的一个可选实施例，提供了一种图像分割模型的训练方法，包括：按照像素类型对样本图像中的每个像素进行标注，得到样本标注图像，其中，上述像素类型包括背景类和目标对象类；通过神经网络中的第一分支网络对上述样本图像进行背景分割，得到第一分割结果，其中，上述神经网络包括上述图像分割模型，上述第一分支网络为利用第一膨胀图像对图像分割模型进行训练得到的中间模型，上述第一膨胀图像为按照第一膨胀系数对上述样本标注图像进行膨胀操作得到的图像；利用上述第一分割结果和第二膨胀图像对上述图像分割模型进行训练，得到目标图像分割模型，其中，上述第二膨胀图像为按照第二膨胀系数对上述样本标注图像进行膨胀操作得到的图像，上述第二膨胀系数小于上述第一膨胀系数，上述目标图像分割模型对上述样本图像中的上述目标对象类与上述背景类的分割准确率大于预设阈值
。
[0006]可选的，上述利用上述第一分割结果和第二膨胀图像对上述图像分割模型进行训练，包括：将上述第一分割结果作为输入，利用上述第二膨胀图像对上述图像分割模型进行监督训练
。
[0007]可选的，上述利用上述第一分割结果和第二膨胀图像对上述图像分割模型进行训练，包括：在对上述图像分割模型进行监督训练的过程中，根据上述第一分割结果和上述第一膨胀图像，计算上述第一分支网络的损失值；利用上述第一分支网络的损失值更新上述神经网络中的参数
。
[0008]可选的，上述利用上述第一分割结果和第二膨胀图像对上述图像分割模型进行训练，得到目标图像分割模型，包括：通过上述神经网络中的第二分支网络对上述样本图像进行背景分割，得到第二分割结果，其中，上述第二分支网络为利用上述第一分割结果和上述
第二膨胀图像对上述图像分割模型进行监督训练得到的中间模型；利用上述第二分割结果和第三膨胀图像对上述图像分割模型进行监督训练，得到上述目标图像分割模型，其中，上述第三膨胀图像为按照第三膨胀系数对上述样本标注图像进行膨胀操作得到的图像，上述第三膨胀系数小于上述第二膨胀系数
。
[0009]可选的，上述利用上述第二分割结果和第三膨胀图像对上述图像分割模型进行监督训练，包括：根据上述第二分割结果和上述第二膨胀图像，计算上述第二分支网络的损失值；利用上述第二分支网络的损失值更新上述神经网络中的参数，得到上述图像分割模型
。
[0010]可选的，上述利用上述第二分割结果和第三膨胀图像对上述图像分割模型进行监督训练，得到目标图像分割模型，还包括：获取上述图像分割模型对上述样本图像中的上述目标对象类与上述背景类的第三分割结果；根据上述样本标注图像和上述第三分割结果计算上述神经网络的损失值；根据上述神经网络的损失值更新上述神经网络中的参数，以得到上述目标图像分割模型
。
[0011]可选的，上述第三膨胀系数为
1。
[0012]根据本申请的另一个实施例，还提供了一种图像分割模型的训练装置，包括：标注单元，用于按照像素类型对样本图像中的每个像素进行标注，得到样本标注图像，其中，上述像素类型包括背景类和目标对象类；分割单元，用于通过神经网络中的第一分支网络对上述样本图像进行背景分割，得到第一分割结果，其中，上述神经网络包括上述图像分割模型，上述第一分支网络为利用第一膨胀图像对图像分割模型进行训练得到的中间模型，上述第一膨胀图像为按照第一膨胀系数对上述样本标注图像进行膨胀操作得到的图像；训练单元，用于利用上述第一分割结果和第二膨胀图像对上述图像分割模型进行训练，得到目标图像分割模型，其中，上述第二膨胀图像为按照第二膨胀系数对上述样本标注图像进行膨胀操作得到的图像，上述第二膨胀系数小于上述第一膨胀系数，上述目标图像分割模型对上述样本图像中的上述目标对象类与上述背景类的分割准确率大于预设阈值
。
[0013]根据本申请的又一个实施例，还提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤
。
[0014]根据本申请的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤
。
[0015]通过本申请，按照像素类型对样本图像中的每个像素进行标注，得到样本标注图像，通过神经网络中的第一分支网络对样本图像进行背景分割，得到第一分割结果，神经网络包括图像分割模型，第一分支网络为利用第一膨胀图像对图像分割模型进行训练得到的中间模型，第一膨胀图像为按照第一膨胀系数对样本标注图像进行膨胀操作得到的图像，用第一分割结果和第二膨胀图像对图像分割模型进行训练，得到目标图像分割模型，第二膨胀图像为按照第二膨胀系数对样本标注图像进行膨胀操作得到的图像，第二膨胀系数小于第一膨胀系数，目标图像分割模型对样本图像中的目标对象类与背景类的分割准确率大于预设阈值
。
基于第一膨胀系数的第一膨胀图像对图像分割模型进行训练得到的第一分割结果，结合第二膨胀图像对图像分割模型再次进行训练，加快图像分割模型在训练过程中的收敛速度，利用多级串联式的膨胀操作进行图像分割网络的训练，从而加快图像分割网络模型的训练收敛
。
采用上述技术方案，解决了相关技术中针对线状物的图像分割模型在
训练过程中收敛速度慢等问题，进而达到提高图像分割模型在训练过程中的收敛速度的效果
。
附图说明
[0016]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定
。
在附图中：
[0017]图1是本申请实施例运行图像分割模型的训练方法的硬件结构框图；
[0018]图2是本申请实施例的图像分割模型的训练方法的流程图；
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种图像分割模型的训练方法，其特征在于，包括：按照像素类型对样本图像中的像素进行标注，得到样本标注图像，其中，所述像素类型包括背景类和目标对象类；通过神经网络中的第一分支网络分割所述样本图像的背景和目标对象，得到第一分割结果，其中，所述神经网络包括所述图像分割模型，所述第一分支网络为利用第一膨胀图像对图像分割模型进行训练得到的中间模型，所述第一膨胀图像为按照第一膨胀系数对所述样本标注图像进行膨胀操作得到的图像；利用所述第一分割结果和第二膨胀图像对所述图像分割模型进行训练，得到目标图像分割模型，其中，所述第二膨胀图像为按照第二膨胀系数对所述样本标注图像进行膨胀操作得到的图像，所述第二膨胀系数小于所述第一膨胀系数，所述目标图像分割模型对所述样本图像中的所述目标对象类与所述背景类的分割准确率大于预设阈值
。2.
根据权利要求1所述的方法，其特征在于，所述利用所述第一分割结果和第二膨胀图像对所述图像分割模型进行训练，包括：将所述第一分割结果作为输入，利用所述第二膨胀图像对所述图像分割模型进行监督训练
。3.
根据权利要求2所述的方法，其特征在于，所述利用所述第一分割结果和第二膨胀图像对所述图像分割模型进行训练，包括：在对所述图像分割模型进行监督训练的过程中，根据所述第一分割结果和所述第一膨胀图像，计算所述第一分支网络的损失值；利用所述第一分支网络的损失值更新所述神经网络中的参数
。4.
根据权利要求1所述的方法，其特征在于，所述利用所述第一分割结果和第二膨胀图像对所述图像分割模型进行训练，得到目标图像分割模型，包括：通过所述神经网络中的第二分支网络对所述样本图像进行背景分割，得到第二分割结果，其中，所述第二分支网络为利用所述第一分割结果和所述第二膨胀图像对所述图像分割模型进行监督训练得到的中间模型；利用所述第二分割结果和第三膨胀图像对所述图像分割模型进行监督训练，得到所述目标图像分割模型，其中，所述第三膨胀图像为按照第三膨胀系数对所述样本标注图像进行膨胀操作得到的图像，所述第三膨胀系数小于所述第二膨胀系数
。5.
根据权利要求4所述的方法，其特征在于，所述利用所述第...

【专利技术属性】
技术研发人员：梁鹤鸣，朱晨阳，李阳，
申请(专利权)人：追觅创新科技苏州有限公司，
类型：发明
国别省市：