System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及人工智能领域,特别是涉及一种图像分割模型的训练方法、装置及图像分割方法。
技术介绍
1、随着科技的不断发展,人工智能被应用于人们工作和生活的各方各面。人工智能的一个分支是机器学习,机器学习专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。
2、在一些特定的场景下,例如在一张医学图像中将器官或病灶的区域分割出来,或者在一张照片中将人物从背景中分割出来。为了对图像进行分割,一些图像分割模型被训练了出来。但是通过现有技术训练出的图像分割模型在分割一些图像时的分割精度较差。
3、因此,如何训练出精度更高的图像分割模型成为了本领域技术人员亟需解决的技术问题。
技术实现思路
1、基于上述问题,本申请提供了一种图像分割模型的训练方法、装置及图像分割方法以解决现有技术训练出的图像分割模型对一些图像的分割精度较低的问题。
2、本申请提供了一种图像分割模型的训练方法,所述方法包括:
3、构建训练集,所述训练集中包括多个样本图像,所述样本图像具有分割标签,所述样本图像包括多个模态的信息;
4、通过待训练模型,基于所述样本图像的模态进行特征提取,获得所述样本图像的多个模态分别对应的第一特征提取结果;
5、通过待训练模型,基于所述样本图像的感受野进行特征提取,获得所述样本图像多个模态相同感受野下分别对应的多个第二特征提取结果;
6、将所述多个第二特征提取
7、将所述第一特征提取结果和所述特征融合结果进行空间层面的融合得到空间融合结果,以及,将所述第一特征提取结果和所述特征融合结果进行通道层面的融合得到通道融合结果;
8、针对于所述样本图像的每一模态,将所述空间融合结果和所述通道融合结果进行融合得到单模态融合结果;
9、利用所述第一特征提取结果、所述单模态融合结果和所述分割标签得到将所述样本图像输入到所述待训练模型后,所述待训练模型的对比损失;
10、利用所述训练集中未使用的样本图像持续训练所述待训练模型,直至满足训练截止条件得到图像分割模型。
11、在一种可能的实现方式中,所述利用所述第一特征提取结果、所述单模态融合结果和所述分割标签得到对比损失包括:
12、利用所述单模态融合结果和所述分割标签的差异得到第一对比损失;
13、利用对应于所述模态的多个第一特征提取结果之间的相似度确定第一相似度;
14、利用所述第一特征提取结果和所述单模态融合结果之间的相似度确定第二相似度;
15、利用第一相似度、第二相似度和所述分割标签得到对应于所述模态的第二对比损失;
16、将所述第一对比损失和所述第二对比损失的和作为所述对比损失。
17、在一种可能的实现方式中,一个训练所述图像分割模型的轮次使用n张样本图像,所述样本图像包括m个模态,所述利用第一相似度、第二相似度和所述分割标签得到对应于所述模态的第二对比损失包括:
18、获取m个模态对应的m个第一相似度,所述第一相似度是对应于模态m的n个第一特征提取结果之间的相似度,所述m为小于等于m的正整数;
19、获取m个模态对应的m个第二相似度,所述第二相似度是对应于模态m的第一特征提取结果和对应于模态m的n个单模态融合结果之间的相似度;
20、利用模态m对应的第一相似度和第二相似度得到对应于模态m的单模态对比损失;
21、将m个单模态对比损失的和作为所述第二对比损失。
22、在一种可能的实现方式中,所述方法进一步包括:
23、确定每个模态的第一对比损失与除该模态外其余模态的第一对比损失的比值;
24、利用所述比值调整所述第一对比损失在所述对比损失中的权重。
25、在一种可能的实现方式中,所述将所述第一特征提取结果和所述特征融合结果进行空间层面的融合得到空间融合结果,以及,将所述第一特征提取结果和所述特征融合结果进行通道层面的融合得到通道融合结果包括:
26、将对应于任一模态的第一特征提取结果和所述特征融合结果进行空间层面的融合得到空间融合结果,以及,将对应于所述任一模态的第一特征提取结果和所述特征融合结果进行通道层面的融合得到通道融合结果。
27、在一种可能的实现方式中,所述通过待训练模型,基于所述样本图像的感受野进行特征提取,获得所述样本图像多个模态相同感受野下分别对应的多个第二特征提取结果包括:
28、确定第一感受野和第二感受野;
29、通过待训练模型对所述样本图像按照第一感受野进行特征提取,得到第一感受野下对应于第一模态的第二特征提取结果和第一感受野下对应于第二模态的第二特征提取结果;
30、对所述样本图像按照第二感受野进行特征提取,得到第二感受野下对应于第一模态的第二特征提取结果和第二感受野下对应于第二模态的第二特征提取结果;
31、所述将所述空间融合结果和所述通道融合结果进行融合得到单模态融合结果包括:
32、将所述第一感受野下对应于第一模态的第二特征提取结果和所述第一感受野下对应于第二模态的第二特征提取结果进行融合得到第一感受野融合结果;
33、将所述第二感受野下对应于第一模态的第二特征提取结果和所述第二感受野下对应于第二模态的第二特征提取结果进行融合得到第二感受野融合结果;
34、将所述第一感受野融合结果和所述第二感受野融合结果进行融合得到所述单模态融合结果。
35、在一种可能的实现方式中,所述将所述第一特征提取结果和所述特征融合结果进行空间层面的融合得到空间融合结果,以及,将所述第一特征提取结果和所述特征融合结果进行通道层面的融合得到通道融合结果包括:
36、将所述第一特征提取结果按照预设的权重分为空间第一特征提取结果和通道第一特征提取结果;
37、将所述空间第一特征提取结果和所述通道第一特征提取结果进行通道层面的融合得到第一中间特征;
38、将所述第一中间特征和所述特征融合结果进行空间层面的融合得到空间融合结果;
39、以及,将所述空间第一特征提取结果和所述通道第一特征提取结果进行空间层面的融合得到第二中间特征;
40、将所述第二中间特征和所述特征融合结果进行通道层面的融合得到通道融合结果。
41、在一种可能的实现方式中,所述训练集包括:
42、第一类图像集合和第二类图像集合,所述第一类图像集合和所述第二类图像集合中的样本图像具有分割标签,所述第一类图像集合中样本图像的模态的信息多于所述第二类图像集合中样本图像包括的模态的信息;
43、所述利用所述训练集中未使用的样本图像持续训练所述待训练模型,直至满足训练截止条件得到图像分割模型包括:
44、先利用所述第一本文档来自技高网...
【技术保护点】
1.一种图像分割模型的训练方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述利用所述第一特征提取结果、所述单模态融合结果和所述分割标签得到对比损失包括:
3.根据权利要求2所述的方法,其特征在于,一个训练所述图像分割模型的轮次使用N张样本图像,所述样本图像包括M个模态,所述利用第一相似度、第二相似度和所述分割标签得到对应于所述模态的第二对比损失包括:
4.根据权利要求2所述的方法,其特征在于,所述方法进一步包括:
5.根据权利要求1所述的方法,其特征在于,所述将所述第一特征提取结果和所述特征融合结果进行空间层面的融合得到空间融合结果,以及,将所述第一特征提取结果和所述特征融合结果进行通道层面的融合得到通道融合结果包括:
6.根据权利要求1所述的方法,其特征在于,所述通过待训练模型,基于所述样本图像的感受野进行特征提取,获得所述样本图像多个模态相同感受野下分别对应的多个第二特征提取结果包括:
7.根据权利要求1所述的方法,其特征在于,所述将所述第一特征提取结果和所述特征融合结果进行空间层面
8.根据权利要求1所述的方法,其特征在于,所述训练集包括:
9.一种图像分割方法,其特征在于,包括:
10.一种图像分割模型的训练装置,其特征在于,包括:
...【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:
2.根据权利要求1所述的方法,其特征在于,所述利用所述第一特征提取结果、所述单模态融合结果和所述分割标签得到对比损失包括:
3.根据权利要求2所述的方法,其特征在于,一个训练所述图像分割模型的轮次使用n张样本图像,所述样本图像包括m个模态,所述利用第一相似度、第二相似度和所述分割标签得到对应于所述模态的第二对比损失包括:
4.根据权利要求2所述的方法,其特征在于,所述方法进一步包括:
5.根据权利要求1所述的方法,其特征在于,所述将所述第一特征提取结果和所述特征融合结果进行空间层面的融合得到空间融合结果,以及,将所述第一特征提取结果和所述特征...
【专利技术属性】
技术研发人员:马晨阳,曲昭伟,王晓茹,余龙龙,邓博文,刘明时,卞德昕,李梅芳,
申请(专利权)人:北京邮电大学,
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。