图像分割模型训练、图像分割方法、装置及电子设备.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115471661A(43)申请公布日2022.12.13(21)申请号202211206676.7G06V10/77(2022.01)(22)申请日2022.09.30G06V10/774(2022.01)G06V10/80(2022.01)(71)申请人中国农业银行股份有限公司G06V10/82(2022.01)地址100005北京市东城区建国门内大街69号(72)发明人田金月沈湛杨阳司林吴宇轩(74)专利代理机构北京同立钧成知识产权代理有限公司11205专利代理师刘慧刘芳(51)Int.Cl.G06V10/26(2022.01)G06N3/04(2006.01)G06N3/08(2006.01)G06V10/44(2022.01)权利要求书3页说明书15页附图5页(54)发明名称图像分割模型训练、图像分割方法、装置及电子设备(57)摘要本申请提供一种图像分割模型训练、图像分割方法、装置及电子设备。方法包括：获取样本图像集；基于样本图像集中的样本图像和每个样本图像对应的标签，对神经网络模型进行训练，得到训练好的图像分割模型；其中，进行第i轮训练包括：通过轻量级特征提取子模型中的M个轻量级特征提取器对样本图像进行特征提取，得到M组语义分割特征图；通过特征融合子模型对M组语义分割特征图进行特征融合，得到融合特征图；通过特征复原子模型中的至少一层转置卷积层，将融合特征图的分辨率增大至样本图像的分辨率，得到预测分割结果；根据预测分割结果，以及，样本图像对应的标签对神经网络模型进行下一轮训练。本申请提高了图像语义分割的准确性和效率。CN115471661ACN115471661A权利要求书1/3页1.一种图像分割模型训练方法，其特征在于，所述方法包括：获取样本图像集；所述样本图像集中包括：至少一个样本图像，以及，每个所述样本图像对应的标签；所述标签用于表征所述样本图像中待分割出的对象；基于所述样本图像集中的样本图像和每个所述样本图像对应的标签，对神经网络模型进行N轮训练，得到训练好的图像分割模型；所述神经网络模型包括：轻量级特征提取子模型、特征融合子模型，以及，特征复原子模型，其中，进行第i轮训练包括：通过所述轻量级特征提取子模型中的M个轻量级特征提取器对所述样本图像进行特征提取，得到M组语义分割特征图；所述N≥1，且所述M≥2；通过所述特征融合子模型对所述M组语义分割特征图进行特征融合，得到融合特征图；所述融合特征图的分辨率小于所述样本图像的分辨率；通过所述特征复原子模型中的至少一层转置卷积层，将所述融合特征图的分辨率增大至所述样本图像的分辨率，得到预测分割结果；根据所述预测分割结果，以及，所述样本图像对应的标签对所述神经网络模型进行第i+1轮训练。2.根据权利要求1所述的方法，其特征在于，所述轻量级特征提取器包括：至少一层多通道卷积层、第一预设数量的卷积层，以及，第二预设数量的空洞卷积层；所述第一预设数量大于所述第二预设数量；所述第二预设数量的空洞卷积层穿插在所述第一预设数量的卷积层中；所述通过所述轻量级特征提取子模型中的M个轻量级特征提取器对所述样本图像进行特征提取，得到M组语义分割特征图，包括：针对第j个所述轻量级特征提取器，通过所述至少一层多通道卷积层从第j‑1组语义分割特征图的多个颜色通道进行特征提取，得到子语义分割特征图；所述j大于1且小于或等于所述M；第1个所述轻量级特征提取器的所述至少一层多通道卷积层的输入为所述样本图像；通过所述卷积层和所述空洞卷积层对所述子语义分割特征图进行特征提取，得到第j组语义分割特征图。3.根据权利要求1或2所述的方法，其特征在于，所述M等于3，第1组语义分割特征图的分辨率大于第2组语义分割特征图的分辨率，且第2组语义分割特征图的分辨率大于第3组语义分割特征图的分辨率，所述通过所述特征融合子模型对所述M组语义分割特征图进行特征融合，得到融合特征图，包括：对所述第3组语义分割特征图进行转置卷积，得到所述第3组对应的中间特征图；所述第3组对应的中间特征图的分辨率与所述第2组语义分割特征图的分辨率相同；对所述第3组对应的中间特征图，以及，所述第2组语义分割特征图进行特征融合，得到第一融合特征图；所述第一融合特征图的分辨率与所述第2组语义分割特征图的分辨率相同；对所述第一融合特征图进行转置卷积，得到所述分辨率增大后的第一融合特征图；所述分辨率增大后的第一融合特征图的分辨率与所述第1组语义分割特征图的分辨率相同；对所述分辨率增大后的第一融合特征图，以及，所述第1组语义分割特征图进行特征融合，得到融合特征图。2CN115471661A权利要求书2/3页4.根据权利要求3所述的方法，其特征在于，所述对所述分辨率增大后的第一融合特征图，以及，