【技术实现步骤摘要】
本说明书的多个实施例涉及计算机视觉，具体涉及一种模型训练方法及装置、分割方法及装置、电子设备、介质。
技术介绍
1、通用物体的主体抠图是目前各种图像相关应用重要且核心的前置环节，例如aigc应用。通过抠图可以对输入图像进行理解，判断哪一部分像素是前景区域，哪一部分是背景区域，进而分割得到主体部分，并输出给下游任务进行处理，以得到所需的图像，例如通过aigc应用对分割得到的主体部分进行新背景生成，以得到新的图像。
2、但是，目前的图像分割方法为单阶段的分割，分割精度不高，对于前景、背景颜色相近的区域，无法准确的分割，且泛化性能不够，不能针对通用物体均进行准确分割。因此，需要提供一种可针对通用物体进行准确分割的分割方法。
技术实现思路
1、本说明书实施例提供了一种模型训练方法及装置、分割方法及装置、电子设备、介质，其技术方案如下：
2、第一方面，本说明书实施例提供了一种模型训练方法，包括：
3、获取多组图像样本组，每组图像样本组均包括对应的原始图像、粗分割图像，所述粗分割图像通过粗分割模型对原始图像进行分割得到；
4、选取一组图像样本组，对所选图像样本组中原始图像、粗分割图像进行合并，以得到合并图像，并确定合并图像的多个预测区域；
5、基于所选图像样本组中原始图像对应的gt值、粗分割图像对应的预测值，计算多个预测区域的权重；
6、输入合并图像至待训练细分割模型，以输出细分割图像；
7、基于所选图像样本组
8、循环执行上述优化相关步骤直至满足预设优化条件，以得到训练后细分割模型。
9、第二方面，本说明书实施例提供了一种分割方法，包括：
10、采用粗分割模型对原始图像进行粗分割，以得到粗分割图像；
11、将粗分割图像与原始图像进行合并，以得到合并图像；
12、将合并图像输入采用上述实施例第一方面所述方法的步骤训练得到的细分割模型，以输出细分割图像。
13、第三方面，本说明书实施例提供了一种模型训练装置，包括：
14、图像样本获取模块，用于获取多组图像样本组，每组图像样本组均包括对应的原始图像、粗分割图像，所述粗分割图像通过粗分割模型对原始图像进行分割得到；
15、图像样本选取模块，用于选取相应图像样本组；
16、图像合并模块，用于对所选图像样本组中原始图像、粗分割图像进行合并，以得到合并图像；
17、预测区域确定模块，用于确定合并图像的多个预测区域；
18、权重计算模块，用于基于所选图像样本组中原始图像对应的gt值、粗分割图像对应的预测值，计算多个预测区域的权重；
19、模型训练模块，用于对待训练细分割模型进行优化，直至满足预设优化条件，以得到训练后细分割模型；所述模型训练模块包括输入单元、损失值计算单元、优化单元；所述输入单元，用于输入合并后图像至待训练细分割模型，以使待训练细分割模型输出细分割图像；所述损失值计算单元，用于基于所选图像样本组中原始图像对应的gt值、细分割图像对应的预测值、多个预测区域的权重，计算损失值；所述优化单元，用于基于损失值，对待训练细分割模型进行优化。
20、第四方面，本说明书实施例提供了一种分割装置，包括：
21、粗分割模块，用于采用粗分割模型对原始图像进行粗分割，以得到粗分割图像；
22、合并模块，用于将粗分割图像与原始图像进行合并，以得到合并图像；
23、细分割模块，用于将合并图像输入采用上述实施例第一方面所述方法的步骤训练得到的细分割模型，以输出细分割图像。
24、第五方面，本说明书实施例提供了一种电子设备，包括处理器以及存储器；所述处理器与所述存储器相连；所述存储器，用于存储可执行程序代码；所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于执行上述实施例第一方面或第二方面所述方法的步骤。
25、第六方面，本说明书实施例提供了一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行上述实施例第一方面或第二方面所述方法的步骤。
26、本说明书一些实施例提供的技术方案带来的有益效果至少包括：
27、针对可对通用物体进行粗分割的粗分割模型，提供一种后置的细分割模型，以实现对粗分割模型分割得到的粗分割图像，进行二阶段分割，以得到细分割图像，进而实现了对通用物体的准确分割。
本文档来自技高网...【技术保护点】
1.一种模型训练方法，包括：
2.根据权利要求1所述的一种模型训练方法，所述确定合并图像的多个预测区域，包括：
3.根据权利要求1所述的一种模型训练方法，所述基于所选图像样本组中原始图像对应的GT值、粗分割图像对应的预测值，计算多个预测区域的权重，包括：
4.根据权利要求3所述的一种模型训练方法，所述基于该预测区域对应的平均绝对误差，计算得到该预测区域对应的权重，包括：
5.根据权利要求4所述的一种模型训练方法，所述预测区域对应的权重计算公式为：
6.根据权利要求1～5任一项所述的一种模型训练方法，所述基于所选图像样本组中原始图像对应的GT值、细分割图像对应的预测值、多个预测区域的权重，计算损失值，包括：
7.一种分割方法，包括：
8.根据权利要求7所述的一种分割方法，所述将粗分割图像与原始图像进行合并，以得到合并图像之前，还包括：
9.根据权利要求8所述的一种分割方法，所述输出细分割图像之后，还包括：
10.根据权利要求8或9所述的一种分割方法，所述分割质量根据分割图像中
11.一种模型训练装置，包括：
12.根据权利要求11所述的一种模型训练装置，所述预测区域确定模块中确定合并图像的多个预测区域，包括：
13.根据权利要求11所述的一种模型训练装置，所述权重计算模块包括：
14.根据权利要求13所述的一种模型训练装置，所述权重计算单元中，基于预测区域对应的平均绝对误差、预设前景像素与预设背景像素的绝对差，计算得到该预测区域对应的权重。
15.根据权利要求14所述的一种模型训练装置，所述权重计算单元中，权重计算公式为：
16.根据权利要求11～15任一项所述的一种模型训练装置，所述损失值计算单元包括：
17.一种分割装置，包括：
18.根据权利要求17所述的一种分割装置，还包括：
19.根据权利要求18所述的一种分割装置，所述判断模块，还用于判断当前输出的细分割图像的分割质量是否满足预设质量条件，若满足则将当前输出的细分割图像作为最终分割图像，并结束分割；
20.根据权利要求18或19所述的一种分割装置，所述判断模块中对于分割图像的分割质量为根据分割图像中中间态像素点的比例和/或中间态像素点的分布情况得到。
21.一种电子设备，包括处理器以及存储器；
22.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1～10任一项所述的方法。
...【技术特征摘要】
1.一种模型训练方法，包括：
2.根据权利要求1所述的一种模型训练方法，所述确定合并图像的多个预测区域，包括：
3.根据权利要求1所述的一种模型训练方法，所述基于所选图像样本组中原始图像对应的gt值、粗分割图像对应的预测值，计算多个预测区域的权重，包括：
4.根据权利要求3所述的一种模型训练方法，所述基于该预测区域对应的平均绝对误差，计算得到该预测区域对应的权重，包括：
5.根据权利要求4所述的一种模型训练方法，所述预测区域对应的权重计算公式为：
6.根据权利要求1～5任一项所述的一种模型训练方法，所述基于所选图像样本组中原始图像对应的gt值、细分割图像对应的预测值、多个预测区域的权重，计算损失值，包括：
7.一种分割方法，包括：
8.根据权利要求7所述的一种分割方法，所述将粗分割图像与原始图像进行合并，以得到合并图像之前，还包括：
9.根据权利要求8所述的一种分割方法，所述输出细分割图像之后，还包括：
10.根据权利要求8或9所述的一种分割方法，所述分割质量根据分割图像中中间态像素点的比例和/或中间态像素点的分布情况得到。
11.一种模型训练装置，包括：
12.根据权利要求11所述的一种模型训练装置，所述预测区域...
【专利技术属性】
技术研发人员：朱军，丁菁汀，
申请(专利权)人：支付宝杭州信息技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。