图像分割方法、装置和计算机可读存储介质.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115205694A(43)申请公布日2022.10.18(21)申请号202110325191.9G06N3/04(2006.01)(22)申请日2021.03.26(71)申请人北京沃东天骏信息技术有限公司地址100176北京市大兴区北京经济技术开发区科创十一街18号院2号楼4层A402室(72)发明人陶大程兰猛(74)专利代理机构中国贸促会专利商标事务所有限公司11038专利代理师孙玉许蓓(51)Int.Cl.G06V20/13(2022.01)G06V10/26(2022.01)G06V10/774(2022.01)G06V10/82(2022.01)权利要求书4页说明书13页附图3页(54)发明名称图像分割方法、装置和计算机可读存储介质(57)摘要本公开涉及一种图像分割方法、装置和计算机可读存储介质，涉及计算机技术领域。本公开的方法包括：将源域图像和目标域图像分别输入第一生成对抗网络，基于对抗学习对第一生成对抗网络进行训练，得到训练完成的第一生成对抗网络，其中，第一生成对抗网络中第一生成器为图像分割模型；将目标域图像划分为第一集合和第二集合，其中，第一集合中的目标域图像通过训练完成的第一生成对抗网络中图像分割模型后，得到的分割结果作为标注信息，第二集合中目标域图像不设置标注信息；将第一集合和第二集合中的目标域图像分别输入第二生成对抗网络，基于对抗学习对第二生成对抗网络进行训练，得到训练完成的第二生成对抗网络，从而确定图像分割模型的参数。CN115205694ACN115205694A权利要求书1/4页1.一种图像分割方法，包括：将源域图像和目标域图像分别输入第一生成对抗网络，基于对抗学习对所述第一生成对抗网络进行训练，得到训练完成的第一生成对抗网络，其中，所述第一生成对抗网络中第一生成器为图像分割模型；将目标域图像划分为第一集合和第二集合，其中，所述第一集合中的目标域图像通过训练完成的第一生成对抗网络中图像分割模型后，得到的分割结果作为标注信息，所述第二集合中目标域图像不设置标注信息；将所述第一集合和第二集合中的目标域图像分别输入第二生成对抗网络，基于对抗学习对所述第二生成对抗网络进行训练，得到训练完成的第二生成对抗网络，从而确定所述图像分割模型的参数，其中，所述第二生成对抗网络中第二生成器为所述图像分割模型，初始参数被赋值为训练完成的第一生成对抗网络中第一生成器的参数。2.根据权利要求1所述的图像分割方法，其中，所述将源域图像和目标域图像分别输入第一生成对抗网络包括：将所述源域图像和所述目标域图像分别输入所述图像分割模型的特征提取层，分别得到所述源域图像的第一特征图和所述目标域图像的第二特征图；将第一特征图和所述第二特征图分别输入所述图像分割模型的上采样层，分别得到与所述源域图像尺寸相同的所述源域图像的第三特征图和与所述目标域图像尺寸相同的所述目标域图像的第四特征图；将所述第三特征图和所述第四特征图分别输入所述图像分割模型的softmax层，分别得到源域图像的分割结果和所述目标域图像的分割结果。3.根据权利要求2所述的图像分割方法，其中，所述图像分割模型的特征提取层包括多个，按照所述源域图像或所述目标域图像依次经过的顺序，各个特征提取层的下采样倍数依次增大，最后两个特征提取层分别连接空洞卷积金字塔池化模块；在各个特征提取层中存在一个或多个特征提取层的下采样倍数超过阈值的情况下，对所述一个或多个特征提取层使用空洞卷积，使所述一个或多个特征提取层的下采样倍数保持在所述阈值。4.根据权利要求3所述的图像分割方法，其中，所述将所述源域图像和所述目标域图像分别输入所述图像分割模型的特征提取层，分别得到所述源域图像的第一特征图和所述目标域图像的第二特征图包括：将所述源域图像和所述目标域图像依次输入各个特征提取层；将所述源域图像最后经过的两个特征提取层输出的特征分别输入空洞卷积金字塔池化模块，得到输出的两个特征层分别对应的所述源域图像的多尺度全局特征；将两个特征层分别对应的所述源域图像的多尺度全局特征进行融合，得到所述源域图像的第一特征图；将所述目标域图像最后经过的两个特征提取层输出的特征分别输入空洞卷积金字塔池化模块，得到输出的两个特征层分别对应的所述目标域图像的多尺度全局特征；将两个特征层分别对应的所述目标域图像的多尺度全局特征进行融合，得到所述目标域图像的第二特征图。5.根据权利要求1所述的图像分割方法，其中，所述基于对抗学习对所述第一生成对抗2CN115205694A权利要求书2/4页网络进行训练包括：每个训练时期，根据所述源域图像通过所述图像分割模型后的分割结果和所述源域图像的标注信息的差异，对所述图像分割模型的参数进行调整；基于对抗学习对所述图像分割模型