【技术实现步骤摘要】
本申请涉及图像处理，尤其涉及一种图像处理方法、装置、终端设备、计算机可读存储介质以及计算机程序产品。
技术介绍
1、现如今，由于深度学习的发展，基于深度学习的语义分割已经取得了长足的进步。而由于收集精确的像素级标签非常耗时和费力，从而众多关于语义分割模型的研究便将注意力转向训练人工标注成本相对较低的有效语义分割模型，即wsss(weakly-supervisedsemantic segmentation)弱监督语义分割。
2、相关技术中，大多数wsss方法都是利用伪标签进行分割网络训练。但是，由于伪标签对于高质量类激活图的依赖较高，从而在类激活图本身质量欠佳的情况下，伪标签难免就会存在噪声从而导致分割网络出现错误的预测。
3、综上，如何避免伪标签存在的噪声对于分割网络训练的影响，以提升语义分割模型预测的正确概率，是行业内亟待解决的技术问题。
技术实现思路
1、本申请的主要目的在于提供一种图像处理方法、装置、终端设备、计算机存储介质以及计算机程序产品，旨在避免伪标签存在的噪声对于分割网络训练的影响，以提升语义分割模型针对图像像素分类预测的正确概率。
2、为实现上述目的，本申请实施例提供一种图像处理方法，所述图像处理方法包括以下步骤：
3、在基于弱监督语义分割的图像中确定集合外像素；
4、将所述集合外像素划分为集合内类组和集合外类组；
5、调制所述集合内类组和所述集合外类组的类中心与所述集合外像素之间的距离，以对所
6、在一些可行的实施例中，所述确定基于弱监督语义分割的图像中的集合外像素的步骤，包括：
7、在基于弱监督语义分割的图像的预测中，选择预测分类结果与图像级标签相矛盾的错误像素；
8、将所述错误像素确定为所述图像中的集合外像素。
9、在一些可行的实施例中，所述在基于弱监督语义分割的图像的预测中，选择预测分类结果与图像级标签相矛盾的错误像素的步骤，包括：
10、根据所述图像级标签中的先验标签信息构建掩模模型；
11、基于所述掩模模型在基于弱监督语义分割的图像的预测中，逐一选择预测分类结果与图像级标签相矛盾的错误像素。
12、在一些可行的实施例中，所述调制所述集合内类组和所述集合外类组的类中心与所述集合外像素之间的距离的步骤，包括：
13、根据所述掩模模型确定整流损失函数；
14、利用所述整流损失函数调制所述集合内类组和所述集合外类组的类中心与所述集合外像素之间的距离。
15、在一些可行的实施例中，所述将所述集合外像素划分为集合内类组和集合外类组的步骤，包括：
16、从基于弱监督语义分割的图像的预测中确定后验标签信息；
17、根据所述图像级标签中的先验标签信息和所述后验标签信息，将所述集合外像素自适应划分为集合内类组和集合外类组。
18、在一些可行的实施例中，所述方法还包括：
19、根据预设的锚定类别过滤图像级标签中的假阳性类别，以构建得到所述集合内类组。
20、此外，为实现上述目的，本申请实施例还提供一种图像处理装置，所述图像处理装置包括：
21、像素确定模块，用于在基于弱监督语义分割的图像中确定集合外像素；
22、分组划分模块，用于将所述集合外像素划分为集合内类组和集合外类组；
23、整流校正模块，用于调制所述集合内类组和所述集合外类组的类中心与所述集合外像素之间的距离，以对所述集合外像素进行类别校正。
24、此外，为实现上述目的，本申请实施例还提供一种终端设备，所述终端设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序配置为实现如上所述的图像处理方法的步骤。
25、此外，为实现上述目的，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的图像处理方法的步骤。
26、此外，为实现上述目的，本申请还提出一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上所述的联邦学习模型的构建方法的步骤。
27、本申请实施例公开了一种图像处理方法、装置、终端设备、计算机可读存储介质以及一种计算机程序产品，该图像处理方法包括：在基于弱监督语义分割的图像中确定集合外像素；将所述集合外像素划分为集合内类组和集合外类组；调制所述集合内类组和所述集合外类组的类中心与所述集合外像素之间的距离，以对所述集合外像素进行类别校正。
28、从而，本申请实施例通过在基于弱监督语义分割的图像中确定出预测分类错误的集合外像素，然后对该集合外像素进行分组划分，从而将该集合外像素划分作为集合内类组和集合外类组两个分组，最后，通过调制该集合内类组和该集合外类组这两个分组的类中心，与集合外像素之间距离，从而对该集合外像素进行类别校正以将该集合外像素转移到集合内类组当中而被纠正为正确的类。如此，本申请实施例通过对弱监督语义分割的图像中，弱监督语义分割预测分类错误的集合外像素进行处理，从而将错误的集合外像素转移到集合内中，进而有效地避免了弱监督语义分割中伪标签存在的噪声对于分割网络训练的影响，提升了语义分割模型针对图像像素分类预测的正确概率。
本文档来自技高网...【技术保护点】
1.一种图像处理方法，其特征在于，所述图像处理方法包括以下步骤：
2.如权利要求1所述的图像处理方法，其特征在于，所述确定基于弱监督语义分割的图像中的集合外像素的步骤，包括：
3.如权利要求2所述的图像处理方法，其特征在于，所述在基于弱监督语义分割的图像的预测中，选择预测分类结果与图像级标签相矛盾的错误像素的步骤，包括：
4.如权利要求3所述的图像处理方法，其特征在于，所述调制所述集合内类组和所述集合外类组的类中心与所述集合外像素之间的距离的步骤，包括：
5.如权利要求2所述的图像处理方法，其特征在于，所述将所述集合外像素划分为集合内类组和集合外类组的步骤，包括：
6.如权利要求1至5任一项所述的图像处理方法，其特征在于，所述方法还包括：
7.一种图像处理装置，其特征在于，所述图像处理装置包括：
8.一种终端设备，其特征在于，所述终端设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序配置为实现如权利要求1至6中任一项所述的图像处理方法的步骤。
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。