图像处理方法、电子装置及芯片.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115760901A(43)申请公布日2023.03.07(21)申请号202211420863.5G06V10/766(2022.01)(22)申请日2022.11.11G06V10/80(2022.01)G06V10/82(2022.01)(71)申请人哲库科技（上海）有限公司地址200120上海市浦东新区中国(上海)自由贸易试验区盛夏路61弄1号8层(房产登记楼层7层)01室(72)发明人欧俊宏赵娟萍胡欣(74)专利代理机构北京派特恩知识产权代理有限公司11270专利代理师侯艳华蒋雅洁(51)Int.Cl.G06T7/194(2017.01)G06N3/0464(2023.01)G06N3/084(2023.01)G06V10/764(2022.01)权利要求书2页说明书16页附图3页(54)发明名称图像处理方法、电子装置及芯片(57)摘要本申请实施例公开了一种图像处理方法、电子装置及芯片，电子装置构建初始神经网络模型；基于PolyLoss和BoundaryIoU损失函数对初始神经网络模型进行训练，获得图像处理模型；利用图像处理模型对待处理图像进行图像处理。CN115760901ACN115760901A权利要求书1/2页1.一种图像处理方法，其特征在于，所述方法包括：构建初始神经网络模型；基于PolyLoss和BoundaryIoU损失函数对所述初始神经网络模型进行训练，获得图像处理模型；利用所述图像处理模型对待处理图像进行图像处理。2.根据权利要求1所述的方法，其特征在于，所述基于PolyLoss和BoundaryIoU损失函数对所述初始神经网络模型进行训练，获得图像处理模型，包括：使用训练数据集对所述初始神经网络模型进行训练，获得所述PolyLoss和BoundaryIoU损失函数各自对应的损失函数值；根据所述损失函数值对所述初始神经网络模型进行反向传播更新处理，获得所述图像处理模型。3.根据权利要求2所述的方法，其特征在于，所述初始神经网络模型包括骨架网络、特征融合网络和分割网络。4.根据权利要求3所述的方法，其特征在于，所述特征融合网络的特征融合拓扑结构包括多尺度特征融合拓扑结构。5.根据权利要求3所述的方法，其特征在于，所述骨架网络包括至少一个下采样模块、至少一个瓶颈模块以及至少一个卷积模块；其中，所述下采样模块和所述瓶颈模块均包括卷积层和数据增强层；所述特征融合网络包括至少一个卷积模块和一个连接模块；所述分割网络包括实例分支的卷积层和掩码分支的卷积层。6.根据权利要求5所述的方法，其特征在于，第i个下采样模块的输出与第i个瓶颈模块的输入连接；其中，i为大于0的整数；所述瓶颈模块的输出分别与所述特征融合网络中的所述卷积模块的输入一一连接；所述特征融合网络中的所述卷积模块的输出均与所述连接模块的输入连接。7.根据权利要求3所述的方法，其特征在于，所述使用训练数据集对所述初始神经网络模型进行训练，获得所述PolyLoss和BoundaryIoU损失函数各自对应的损失函数值，包括：使用所述骨架网络对训练数据集中的原始图像进行下采样处理，获得多个不同尺度的第一特征图；使用所述特征融合网络对所述多个不同尺度的第一特征图进行特征融合处理，获得第二特征图；将所述第二特征图输入所述分割网络，获得第三特征图，并根据所述第三特征图确定所述损失函数值。8.根据权利要求7所述的方法，其特征在于，所述将所述第二特征图输入所述分割网络，获得第三特征图，并根据所述第三特征图确定所述损失函数值，包括：将所述第二特征图输入至所述实例分支的卷积层，确定第一实例激活图，并基于所述第一实例激活图确定矩阵掩码、实例类别以及类别置信度；将所述第二特征图输入至所述掩码分支的卷积层，确定第一掩码特征；根据所述矩阵掩码和所述第一掩码特征确定所述第三特征图；根据所述第三特征图、所述实例类别以及所述类别置信度确定所述损失函数值。2CN115760901A权利要求书2/2页9.根据权利要求8所述的方法，其特征在于，所述根据所述第三特征图、所述实例类别以及所述类别置信度确定所述损失函数值，包括：基于所述第三特征图、所述实例类别以及所述类别置信度进行二分图匹配，确定所述损失函数值。10.一种电子装置，其特征在于，所述电子装置包括：构建单元、训练单元以及处理单元，所述构建单元，用于构建初始神经网络模型；所述训练单元，用于基于PolyLoss和BoundaryIoU损失函数对所述初始神经网络模型进行训练，获得图像处理模型；所述处理单元，用于利用所述图像处理模型对待处理图像进行图像处理。11.一种电子装置，其特征在于，所述电子装置包括处理器、存储有所述处理器可执行指令的存储器，当所述指令被所述处理器执行时，实现