一种图像分割模型训练样本数据集的获取方法及设备
文献发布时间:2023-06-19 11:22:42
技术领域
本申请涉及计算机图像处理技术领域,尤其涉及一种图像分割模型训练样本数据集的获取的技术。
背景技术
在交通领域,为了节约存储空间、不需要占用太多传输带宽,由道路卡口等位置安装的摄像头拍摄的图像通常是将多张图像拼接成一张图像后本地存储或传输到后端,由人工审核是否存在违章违法行为。此类图像有各种拼接组合模式,如图1所示。
审核人员长时间工作后易疲劳,影响审核准确率,还需要安排人工复核,需要较多人力资源投入。目前也有采用基于深度学习的神经网络模型来智能识别及分割出各张拼接图像,以用于人工审核包含闯红绿灯、违法变道、压线、未系安全带、开车打电话、不礼让行人等各种常见违章违法行为,以提升人工审核效率。
但是,目前采用的图像智能识别及分割方法首先对图像的横向及纵向的特定位置(例如横向1/2位置,纵向1/4、1/3、1/2、2/3、3/4等位置)通过上下滑窗方式截取长条,如图2所示,然后对长条进行划分,并判断是否存在拼接图像边界,接着统计横向及纵向出现拼接图像边界的次数,以确定图像中各拼接图像的拼接组合模式,再在图像的相应位置进行滑窗黑边检测,最后根据检测出的黑边对图像进行分割。上述方法要求图像要有较高的质量,对于如R2C2(2行2列)、R2C3等对称拼接组合模式的图像的识别及分割具有较高的准确率,但是对于非对称拼接组合模式的图像,如品字形拼接组合模式等,或者光照不足等质量不佳的图像,会出现误识别情况,导致识别后分割出的拼接图像信息缺失,将会严重影响后续违章违法行为的审核。
发明内容
本申请的目的是提供一种图像分割模型训练样本数据集的获取方法与设备,用以解决现有技术中对非对称拼接组合图像的识别及分割效果不好的技术问题。
根据本申请的一个方面,提供了一种图像分割模型训练样本数据集的获取方法,其中,所述方法包括:
获取若干样本图像,其中,每个样本图像由多个拼接图像组成;
确定所述每个样本图像中各拼接图像之间的边界区域,并对所述每个样本图像标注标签;
对标注标签后的每个样本图像进行降噪处理;
将降噪处理后的全部样本图像及其对应的标签确定为所述图像分割模型的训练样本数据集。
可选地,其中,所述确定每个样本图像中各拼接图像之间的边界区域包括:
确定每个样本图像中各拼接图像之间的边界;
将所述边界对称扩充成预设像素宽度的边界区域。
可选地,其中,所述对所述每个样本图像标注标签包括:
将所述每个样本图像中的每个拼接图像、边界区域和/或黑边分别标注为背景、边界和/或黑边标签。
可选地,其中,所述将降噪处理后的全部样本图像及其对应的标签确定为所述图像分割模型的训练样本数据集包括:
基于RGBY的匹配系数,去除降噪处理后的全部样本图像中的冗余样本图像;
将去除冗余后的降噪处理后的全部样本图像及其对应的标签确定为所述图像分割模型的训练样本数据集。
可选地,所述一种图像分割模型训练样本数据集的获取方法还包括:
对所述训练样本数据集中的每个训练样本进行数据增强;
其中,所述进行数据增强的方式包括以下任一项:
使用albumentation包;
使用几何变换;
应用高斯噪声;
应用通道shuffle,根据标签类别出现的频率进行训练样本扩充。
可选地,所述一种图像分割模型训练样本数据集的获取方法还包括:
将所述训练样本数据集划分成训练集和测试集;
采用所述训练集训练分类回归神经网络模型,当所述模型的损失函数符合预设条件,完成训练;
采用所述测试集对完成训练的分类回归神经网络模型进行测试,当准确率符合预设阈值,将所述完成训练的分类回归神经网络模型确定为图像分割模型。
可选地,所述方法还包括:
获取降噪处理后的待分割图像,其中,所述待分割图像由多个拼接图像组成;
将所述待分割图像输入所述图像分割模型,以识别及分割所述多个拼接图像。
可选地,其中,所述识别及分割所述多个图像包括:
识别出所述待分割图像中的每张拼接图像、边界区域和/或黑边;
对所述边界区域进行聚类,以确定一个或者多个聚类区域,并基于所述一个或者多个聚类区域的边界,拟合成一个或者多个矩形;
基于所述矩形的长边中线进行分割,以获得所述待分割图像中的多个拼接图像。
根据本申请的另一方面,还提供了一种图像分割模型训练样本数据集的获取设备,其中,所述设备包括:
第一装置,用于获取若干样本图像,其中,每个样本图像由多个拼接图像组成;
第二装置,用于确定所述每个样本图像中各拼接图像之间的边界区域,并对所述每个样本图像标注标签;
第三装置,用于对标注标签后的每个样本图像进行降噪处理;
第四装置,用于将降噪处理后的全部样本图像及其对应的标签确定为所述图像分割模型的训练样本数据集。
可选地,所述一种图像分割模型训练样本数据集的获取设备还包括:
第五装置,用于对所述训练样本数据集中的每个训练样本进行数据增强。
可选地,所述一种图像分割模型训练样本数据集的获取设备还包括:
第六装置,用于采用所述训练样本数据集训练及测试分类回归神经网络模型,当所述模型的损失函数符合预设条件,完成训练,并当准确率符合预设阈值,将所述完成训练的分类回归神经网络模型确定为图像分割模型。
可选地,所述设备还包括:
第七装置,用于获取降噪处理后的待分割图像,其中,所述待分割图像由多个拼接图像组成;
第八装置,用于将所述待分割图像输入所述图像分割模型,以识别及分割所述多个拼接图像。
与现有技术相比,本申请通过一种图像分割模型训练样本数据集的获取方法与设备,先获取若干样本图像,其中,每个样本图像由多个拼接图像组成,接着确定所述每个样本图像中各拼接图像之间的边界区域,并对所述每个样本图像标注标签,然后对标注标签后的每个样本图像进行降噪处理,最后将降噪处理后的全部样本图像及其对应的标签确定为所述图像分割模型的训练样本数据集。通过该方法得到的训练样本数据集训练分类回归神经网络模型获得图像分割模型,可以准确地识别及分割出由多个拼接图像采用拼接组合模式组合而成的图像中的各个拼接图像,可提高后续图像审核效率,降低人工复核率及人工复核成本,同时也可避免因复核人员易疲劳使得审核结果出错等弊端。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1示出多个拼接图像组成的图像拼接组合模式示意图;
图2示出现有一种图像识别及分割模型的图像识别分割示意图;
图3示出根据本申请一个方面的一种图像分割模型训练样本数据集的获取方法流程图;
图4示出一个实施例的一个样本图像及其标签示意图;
图5示出根据本申请另一个方面的一种图像分割模型训练样本数据集的获取设备示意图;
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
下面结合附图对本发明作进一步详细描述。
在本申请一个典型的配置中,系统各模块和可信方均包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括非暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
为更进一步阐述本申请所采取的技术手段及取得的效果,下面结合附图及优选实施例,对本申请的技术方案,进行清楚和完整的描述。
图3示出本申请一个方面的一种图像分割模型训练样本数据集的获取方法流程图,其中,一个实施例的方法包括:
S31获取若干样本图像,其中,每个样本图像由多个拼接图像组成;
S32确定所述每个样本图像中各拼接图像之间的边界区域,并对所述每个样本图像标注标签;
S33对标注标签后的每个样本图像进行降噪处理;
S34将降噪处理后的全部样本图像及其对应的标签确定为所述图像分割模型的训练样本数据集。
在本申请中,所述方法通过设备1执行,所述设备1为计算机设备和/或云,所述计算机设备包括但不限于个人计算机、笔记本电脑、工业计算机、网络主机、单个网络服务器、多个网络服务器集;所述云由基于云计算(Cloud Computing)的大量计算机或网络服务器构成,其中,云计算是分布式计算的一种,由一群松散耦合的计算机集组成的一个虚拟超级计算机。
在此,所述计算机设备和/或云仅为举例,其他现有的或者今后可能出现的设备和/或资源共享平台如适用于本申请也应包含在本申请的保护范围内,在此,以引用的方式包含于此。
所述实施例应用于通过图像分割模型对由多个拼接图像组合成的图像进行识别及分割每个拼接图像的应用场景,比如用训练测试后的图像分割模型对多张道路交通照片组合成的图像进行识别及分割,以审核是否存在道路交通违法行为。
在该实施例中,在所述步骤S31中,通过设备1获取到若干样本图像,其中,每张样本图像由多个拼接图像组成。设备1可以是通过网络实时获取由道路监控摄像机拍摄的多个照片拼接组合成的图像,也可以是从存储设备中获取的多个照片拼接组合成的图像。在此,对设备1获取的多个照片拼接组合成的图像的方式不做限定,任何获取方式如适用于本申请也应包含在本申请的保护范围内。
继续在该实施例中,在所述步骤S32中,设备1确定每个样本图像中各拼接图像之间的边界区域,并对所述每个样本图像标注标签。
为了能通过训练分类回归神经网络模型,准确地识别出样本图像中各个拼接图像的边界区域,可对各拼接图像之间的边界区域进行扩充。
可选地,其中,所述确定每个样本图像中各拼接图像之间的边界区域包括:
确定每个样本图像中各拼接图像之间的边界;
将所述边界对称扩充成预设像素宽度的边界区域。
其中,基于样本图像中各拼接图像之间的边界,扩充一定区域作为边界区域。比如,若样本图像的像素大小为P,对于宽为w像素、高为h像素的拼接图像,在其边界基础上左右和/或上下对称扩充成一矩形区域S作为边界区域,S可采用如下公式表示:
S=(max(w,h)/P)*p/2
其中,p为矩形区域S的像素宽度。
为了确保拼接图像中的信息尽可能少损失,p不应过大。比如,对于P为800像素的样本图像,p可以是10像素宽度。
可选地,其中,所述对所述每个样本图像标注标签包括:
将所述每个样本图像中的每个拼接图像、边界区域和/或黑边分别标注为背景、边界和/或黑边标签。
如图4所示为一个样本图像及其标签示意图,其中,可以将样本图像中的每个拼接图像、确定的边界区域、黑边分别标注成背景标签、边界标签、黑边标签这三种标签类型,用于分类回归神经网络模型的训练、测试,得到图像分割模型,以让图像分割模型能准确识别由各种拼接组合模式,特别是非对称拼接组合模式的图像及分割出其中的各个拼接图像。
继续在该实施例中,在所述步骤S33中,设备1对标注标签后的每个样本图像进行降噪处理。
其中,设备1获得的样本图像有可能由于黑夜、雨雾天气等原因,使得其中的部分或全部拼接图像因光照不足造成图像质量不佳,需要对样本图像进行降噪处理。比如,可以对样本图像采用暗通道先验方法进行图像去雾,以增强图像质量,也可以对样本图像采用背景边缘增强的方式突出各拼接图像,以尽可能还原各拼接图像中的道路交通实际状况。在此,对标注标签后的样本图像进行降噪处理的具体方式不做限定,任何图像降噪处理方式如适用于本申请也应包含在本申请的保护范围内。
继续在该实施例中,在所述步骤S34中,设备1将降噪处理后的全部样本图像及其对应的标签确定为所述图像分割模型的训练样本数据集。获得的训练样本数据集可用于分类回归神经网络模型的训练、测试,得到图像分割模型,以让图像分割模型能准确识别由各种拼接组合模式,特别是非对称拼接组合模式的图像及分割出其中的各个拼接图像。
为了提升训练及测试速度及效率,可以将获得的上述训练样本数据集中的冗余样本数据剔除。
可选地,其中,所述步骤S34包括:
基于RGBY的匹配系数,去除降噪处理后的全部样本图像中的冗余样本图像;
将去除冗余后的降噪处理后的全部样本图像及其对应的标签确定为所述图像分割模型的训练样本数据集。
其中,基于降噪处理后的每个样本图像的RGBY参数,将样本图像两两比较,若两个样本图像的RGBY参数匹配程度满足匹配系数,说明这另两个样本图像相互冗余,可以去除其中图像质量相对较差的一个,遍历降噪处理后的全部样本图像,以去除降噪处理后的全部样本图像中的冗余样本图像,然后将去除冗余后的降噪处理后的全部样本图像及其对应的标签确定为所述图像分割模型的训练样本数据集。也可以先将样本图像划分成若干图像块,采用图像块比较方法找出降噪处理后的全部样本图像中的冗余样本图像。在此,对冗余样本图像去除的具体方式不做限定,任何冗余图像去除方式如适用于本申请也应包含在本申请的保护范围内。
为了避免因训练样本数据的数量不足可能会影响神经网络模型的训练,或者导致训练出来的模型泛化程度不够,使得识别率与准确率不高,还可以采用基于不同策略的数据增强来增加训练样本数据集中的训练样本数据,以增加训练样本的多样性,提升训练效果。
在可选实施例中,所述一种图像分割模型训练样本数据集的获取方法除了包括上述步骤S31~S34,还包括:
S35(未示出)对所述训练样本数据集中的每个训练样本进行数据增强;
其中,所述进行数据增强的方式包括以下任一项:
使用albumentation包;
使用几何变换;
应用高斯噪声;
应用通道shuffle,根据标签类别出现的频率进行训练样本扩充。
在上述实施例的基础上,所述方法还包括步骤S35。在所述步骤S35中,设备1采用多种数据增强方式增加所述训练样本数据,以增加训练样本的多样性,提升训练效果。
其中,albumentation包是Python的图像处理库,可用来对深度学习中网络训练时的图像数据作数据增强,基于高度优化的OpenCV库实现图像快速数据增强。可针对不同图像任务,如分割、检测等,具有超级简单的API接口,易于个性化定制及添加到其它框架,比如PyTorch。
几何变换通常是对训练样本数据进行包括图像平移、翻转、旋转等操作,利用对图像的几何操作,来实现训练样本数据的数据增强。
通过对训练样本数据随机增加高斯噪声方式,来实现样本多样性,以增加样本攻击性。
为了训练样本数据集中标签类别出现的频率不均衡,应用通道shuffle,先按最多的标签类别进行随机抽取序号,组成标签类别通道,然后对每个标签类别通道的训练样本数取模,分别对应该标签类别序号的图像,以对训练样本进行扩充,使得最后得到的训练样本数据集中各标签类别的训练样本数据基本相同。
为了防止训练样本数据的信息丢失,还可以从采用上述各种数据增强方式增强后的全部训练样本数据中筛选出图像质量损失较小的所有训练样本数据来作为训练样本数据集,以进一步增强训练数据样本集的泛化能力,对分类回归神经网络模型进行训练,在训练收敛并经测试符合准确率要求后获得图像分割模型。
在可选实施例中,所述一种图像分割模型训练样本数据集的获取方法除了包括上述步骤S31~S35,还包括:
S36(未示出)将所述训练样本数据集划分成训练集和测试集;
S37(未示出)采用所述训练集训练分类回归神经网络模型,当所述模型的损失函数符合预设条件,完成训练;
S38(未示出)采用所述测试集对完成训练的分类回归神经网络模型进行测试,当准确率符合预设阈值,将所述完成训练的分类回归神经网络模型确定为图像分割模型。
在上述实施例的基础上,所述方法还包括步骤S36至S38。其中,在所述步骤S36中,设备1将训练样本数据集中的训练样本数据按照一定比例(例如按照8:2的比例)划分成训练集和测试集,分别用于训练和测试分类回归神经网络模型;在所述步骤S37中,设备1采用所述训练集训练所述模型,当所述模型的损失函数符合预设条件,完成训练,比如,当训练到损失函数的值基本保持不变时,即认为损失函数收敛,完成分类回归神经网络模型的训练;在所述步骤S38中,设备1采用上述测试集对完成训练的分类回归神经网络模型进行测试,当准确率符合预设阈值,将所述完成训练的分类回归神经网络模型确定为图像分割模型,比如,预设准确率阈值为90%,若测试集中的样本数据输入完成训练的分类回归神经网络模型,得到的输出与样本数据的真值标签比较,准确率达到90%,则将完成训练的分类回归神经网络模型确定为图像分割模型,否则,调整训练参数,重新采用训练集训练。
上述分类回归神经网络模型的网络结构可以包括头部网络模块、transformer模型、尾部网络模块以及分割网络模块。其中,通过头部网络模块,从输入图像中提取特征,并将特征拆分成块,一方面各特征块转换成特征序列,另一方面对各特征块的位置信息进行编码,得到位置信息编码序列,然后将特征序列和位置信息编码序列组合成一个字符序列输入transformer模型的encoder网络模块;transformer模型的encoder网络模块包含1个MSA(Multi-head Self Attention,多头自注意力)模块和1个FFN(FeedForwardNetwork,前馈网络)模块,其中,MSA模块包含3个基础卷积层,FFN模块包含2个全连接层,transformer模型的encoder网络模块将输入的字符序列编码成连续序列;然后transformer模型的decoder网络模块将连续序列解码成字符序列,transformer模型的decoder网络模块包含2个MSA模块和1个FFN模块;尾部网络模块将transformer模型的decoder模块输出的字符序列先与头部网络模块输出的位置编码序列组合,得到特征序列,然后再将特征序列转换成特征块,根据特征块识别出各拼接图像、边界区域、黑边;分割网络模块根据识别出的边界区域对拼接图像进行分割,还可以根据识别出的黑边,将黑边从拼接图像中分割出,得到干净的拼接图像。
其中,上述损失函数采用改进的IoU损失函数,基于上述分类回归神经网络模型,相比经典的分割损失函数,改进的IoU损失函数将位置信息作为整体进行监督训练,更加精确,同时得到的损失函数值在[0,1]之间,达到归一化的作用,使得模型具有处理多尺度图像的能力,可以取得更好的训练效果。
对于上述分类回归神经网络模型的训练,结合不同的网络参数,可以采用不同的训练方式,包括:
1、学习率的调整
在训练开始时使用warmup的方式调整学习率,然后使用adam在plateau时候来衰减学习率,即在训练样本数据集上若存在连续几个epoch损失函数没有收敛,则将学习率进行衰减。
2、batchsize的调整
可参考EfficetNet的方式训练过程中调整batchSize,比如将10个batch中最差的batch进行重复训练。
另外,训练过程中还可以采用一些其他训练技巧,比如:先使用未作数据增强的训练集训练到平台期,然后对一些epochs的样本数据使用软硬增强后再用于训练;对patch进行重叠,使得边缘像素至少被覆盖两次;将低置信度得分的包围框去掉;在F1 score开始下降的时候就停止训练;使用层叠的方法(比如5flods方法)训练,重复30次。
在获得上述图像分割模型后,可将该图像分割模型用于多个拼接图像组合成的图像的识别及分割。
可选地,所述一种图像分割模型训练样本数据集的获取方法还包括:
S39(未示出)获取降噪处理后的待分割图像,其中,所述待分割图像由多个拼接图像组成;
S310(未示出)将所述待分割图像输入所述图像分割模型,以识别及分割所述多个拼接图像。
在上述实施例的基础上,所述方法还包括步骤S39及S310。其中,在所述步骤S39中,设备1获取经过降噪处理后的待分割图像,其中,所述待分割图像由多个拼接图像组成,然后在所述步骤S310中,设备1将获取到的经过降噪处理后的待分割图像输入经过训练测试后得到的图像分割模型,以识别出待分割图像中的各个拼接图像,并分割输出每个拼接图像。
可选地,其中,所述识别及分割所述多个图像包括:
识别出所述待分割图像中的每张拼接图像、边界区域和/或黑边;
对所述边界区域进行聚类,以确定一个或者多个聚类区域,并基于所述一个或者多个聚类区域的边界,拟合成一个或者多个矩形;
基于所述矩形的长边中线进行分割,以获得所述待分割图像中的多个拼接图像。
其中,在步骤S310中,设备1将获取到的经过降噪处理后的待分割图像输入经过训练测试后得到的图像分割模型,以识别出待分割图像中的各个拼接图像、边界区域、黑边,然后对所有边界区域进行聚类,以确定聚类区域,并基于每个聚类区域的边界,将每个聚类区域拟合成一个矩形,其中,矩形的宽为p个像素,长为拼接图像的宽w或者高h,然后再基于得到的每个矩形的长边中线进行分割,以获得所述待分割图像中的多个拼接图像。可以结合应用需要设置的参数,使得分割输出的拼接图像包含黑边,或者不包含黑边。
比如,对于一个由如图4所示的由3个拼接图像组合成的品字型待分割图像,经过降噪处理后输入所述图像分割模型,识别出3个拼接图像、边界区域、黑边,然后对边界区域进行聚类,可确定2个聚类区域,将每个聚类区域拟合成一个矩形,可以得到2个矩形,然后顺序沿着每个矩形的长边中线进行分割,以获得3个拼接图像,其中2个包含黑边,还可以结合应用需要设置的参数,将黑边也从拼接图像中分割出来得到3个不包含黑边的拼接图像。
图5示出根据本申请另一个方面的一种图像分割模型训练样本数据集的获取设备示意图,其中,一个实施例的所述设备包括:
第一装置51,用于获取若干样本图像,其中,每个样本图像由多个拼接图像组成;
第二装置52,用于确定所述每个样本图像中各拼接图像之间的边界区域,并对所述每个样本图像标注标签;
第三装置53,用于对标注标签后的每个样本图像进行降噪处理;
第四装置54,用于将降噪处理后的全部样本图像及其对应的标签确定为所述图像分割模型的训练样本数据集。
所述设备可以是上述设备1。
其中,设备1的第一装置51获取到若干由多个拼接图像拼接组合成的样本图像,接着设备1的第二装置52确定每个样本图像中各拼接图像之间的边界区域,并对每个样本图像标注标签,然后设备1的第三装置53对标注标签后的每个样本图像进行降噪处理,以增强样本图像质量,最后设备1的第四装置54将降噪处理后的全部样本图像及其对应的标签确定为所述图像分割模型的训练样本数据集。
可选地,所述一种图像分割模型训练样本数据集的获取设备还包括:
第五装置55(未示出),用于对所述训练样本数据集中的每个训练样本进行数据增强。
为了增加训练样本数据的多向性,在上述实施例的基础上,设备1还包括第五装置55,采用各种策略对训练样本数据集中的训练样本数据进行数据增强。
可选地,所述一种图像分割模型训练样本数据集的获取设备还包括:
第六装置56(未示出),用于采用所述训练样本数据集训练及测试分类回归神经网络模型,当所述模型的损失函数符合预设条件,完成训练,并当准确率符合预设阈值,将所述完成训练的分类回归神经网络模型确定为图像分割模型。
在上述实施例的基础上,设备1还包括第六装置56,采用训练样本数据集训练及测试分类回归神经网络模型,当该模型的损失函数符合预设条件,完成训练,并当准确率符合预设阈值,将所述完成训练的分类回归神经网络模型确定为图像分割模型。
可选地,所述设备还包括:
第七装置57(未示出),用于获取降噪处理后的待分割图像,其中,所述待分割图像由多个拼接图像组成;
第八装置58(未示出),用于将所述待分割图像输入所述图像分割模型,以识别及分割所述多个拼接图像。
可将训练测试后确定的图像分割模型应用的实际场景,比如交通道路照片的识别及分割。在上述实施例的基础上,设备1还包括第七装置57,获取到降噪处理后的由多个拼接图像拼接组合成的待分割图像,然后设备1的第八装置58将该待分割图像输入训练测试后确定的图像分割模型,以识别及分割出每个拼接图像,可用于后续审核这些拼接图像中是否存在违章违法行为。
根据本申请的又一方面,还提供了一种计算机可读介质,所述计算机可读介质存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现前述方法。
根据本申请的又一方面,还提供了一种图像分割模型训练样本数据集的获取设备,其中,该设备包括:
一个或多个处理器;以及
存储有计算机可读指令的存储器,所述计算机可读指令在被执行时使所述处理器执行如前述方法的操作。
例如,计算机可读指令在被执行时使所述一个或多个处理器:获取若干样本图像,其中,每个样本图像由多个拼接图像组成;确定所述每个样本图像中各拼接图像之间的边界区域,并对所述每个样本图像标注标签;对标注标签后的每个样本图像进行降噪处理;将降噪处理后的全部样本图像及其对应的标签确定为所述图像分割模型的训练样本数据集。还可以对所述训练样本数据集中的每个训练样本进行数据增强;采用所述训练样本数据集训练及测试分类回归神经网络模型,当所述模型的损失函数符合预设条件,完成训练,并当准确率符合预设阈值,将所述完成训练的分类回归神经网络模型确定为图像分割模型。进一步地,获取降噪处理后的待分割图像,其中,所述待分割图像由多个拼接图像组成;将所述待分割图像输入所述图像分割模型,以识别及分割所述多个拼接图像。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
- 一种图像分割模型训练样本数据集的获取方法及设备
- 图像分割模型的训练样本的标记方法、训练方法及装置