Nothing Special   »   [go: up one dir, main page]

CN112966687B - 图像分割模型训练方法、装置及通信设备 - Google Patents

图像分割模型训练方法、装置及通信设备 Download PDF

Info

Publication number
CN112966687B
CN112966687B CN202110139033.4A CN202110139033A CN112966687B CN 112966687 B CN112966687 B CN 112966687B CN 202110139033 A CN202110139033 A CN 202110139033A CN 112966687 B CN112966687 B CN 112966687B
Authority
CN
China
Prior art keywords
image
trained
segmentation model
prediction
prediction result
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110139033.4A
Other languages
English (en)
Other versions
CN112966687A (zh
Inventor
顾在旺
程骏
胡淑萍
王东
张惊涛
郭渺辰
庞建新
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Ubtech Technology Co ltd
Original Assignee
Shenzhen Ubtech Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Ubtech Technology Co ltd filed Critical Shenzhen Ubtech Technology Co ltd
Priority to CN202110139033.4A priority Critical patent/CN112966687B/zh
Publication of CN112966687A publication Critical patent/CN112966687A/zh
Application granted granted Critical
Publication of CN112966687B publication Critical patent/CN112966687B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本申请适用于机器人技术领域，提供了图像分割模型训练方法、装置及通信设备，包括：通过待训练的图像分割模型对第一图像进行分割预测，得到第一预测结果，所述第一图像为具有标签的图像；通过所述待训练的图像分割模型对第二图像进行分割预测，得到第二预测结果，所述第二图像为没有标签的图像；将所述第一预测结果与所述第二预测结果输入待训练的判别器，得到所述待训练的判别器输出的判别结果；根据所述第一预测结果、第一图像的标签以及所述判别结果对所述待训练的图像分割模型和所述待训练的判别器进行训练，直至满足预设的停止训练条件，得到训练后的图像分割模型。通过上述方法，使得训练后的图像分割模型具有精准的图像分割效果。

Description

图像分割模型训练方法、装置及通信设备
技术领域
本申请属于机器人技术领域，尤其涉及图像分割模型训练方法、装置、通信设备及计算机可读存储介质。
背景技术
近年来，随着人工智能(Artificial Intelligence，AI)的快速发展，许多基于AI的应用被开发了出来。这些AI应用可以部署于各个平台，其中分割算法是许多AI应用的基础。例如在机器人视觉导航中，高精度的语义地图是精准导航的关键，而高精度的语义地图的构建往往需要高精度的场景的图像分割模型。
目前，图像分割模型通常使用大量标注好的数据集来训练、优化模型的参数，最终使得图像分割模型能够拟合数据的分布。但是通常情况下，由于训练集和测试集都来自于同一分布(同源)，因此，往往导致训练好的图像分割模型在一种场景下分割效果很好，但是在其他场景下的分割效果很差。
然而在机器人的实际视觉导航中，由于机器人会经常穿梭于室内与室外，因此，在进行视觉导航时就会面临环境光照的变化。此外，室外的早晨、中午和黄昏的环境光照也各不相同，因此，实际的场景分割面临的情况是复杂的，也就是说要面临着非同源数据下的分割。其中，非同源数据，是指分别位于分布不一致的训练数据集和在实际使用过程中的数据集中的数据。
为了解决非同源数据下的物体场景分割，通常的做法是收集尽可能多的数据，以使得训练数据集中尽可能多地拟合在实际运行过程中所遇到的问题。但由于实际面临的情况是多种多样的，因此难以收集到覆盖全部使用场景的数据，收集的难度极大。同时，由于训练图像语义分割模型时还需要足够的已标注的图像数据，因此，当收集到各种场景下的图像数据后，还需要对每个像素进行标记，从而需要耗费较多的时间。
发明内容
本申请实施例提供了一种图像分割模型训练方法，可以解决在对图像分割模型进行训练时，由于需要对收集的各个图像进行标注，从而导致耗费的时长较长的问题。
第一方面，本申请实施例提供了一种图像分割模型训练方法，包括：
通过待训练的图像分割模型对第一图像进行分割预测，得到第一预测结果，所述第一图像为具有标签的图像；
通过所述待训练的图像分割模型对第二图像进行分割预测，得到第二预测结果，所述第二图像为没有标签的图像；
将所述第一预测结果与所述第二预测结果输入待训练的判别器，得到所述待训练的判别器输出的判别结果；
根据所述第一预测结果、第一图像的标签以及所述判别结果对所述待训练的图像分割模型和所述待训练的判别器进行训练，直至满足预设的停止训练条件，得到训练后的图像分割模型。
第二方面，本申请实施例提供了一种图像分割方法，包括：
获取待分割图像；
采用如第一方面所述的训练后的图像分割模型对所述待分割图像进行图像分割，得到图像分割结果。
第三方面，本申请实施例提供了一种图像分割模型训练装置，包括：
第一预测结果确定单元，用于通过待训练的图像分割模型对第一图像进行分割预测，得到第一预测结果，所述第一图像为具有标签的图像；
第二预测结果确定单元，用于通过所述待训练的图像分割模型对第二图像进行分割预测，得到第二预测结果，所述第二图像为没有标签的图像；
判别结果得到单元，用于将所述第一预测结果与所述第二预测结果输入待训练的判别器，得到所述待训练的判别器输出的判别结果；
模型训练单元，用于根据所述第一预测结果、第一图像的标签以及所述判别结果对所述待训练的图像分割模型和所述待训练的判别器进行训练，直至满足预设的停止训练条件，得到训练后的图像分割模型。
第四方面，本申请实施例提供了一种通信设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项所述的方法。
第五方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的方法。
第六方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在通信设备上运行时，使得通信设备执行上述第一方面所述的方法。
本申请实施例与现有技术相比存在的有益效果是：
在本申请实施例中，由于将待训练的图像分割模型分别对第一图像、第二图像进行分割预测得到的第一预测结果和第二预测结果都输入判别器进行判别，并根据判别结果、第一预测结果以及第一图像的标签对待训练的图像分割模型和所述待训练的判别器进行训练，也即，相当于对待训练的图像分割模型和待训练的判别器进行对抗学习，而不是单独对待训练的图像分割模型进行训练，因此使得待训练的图像分割模型能够自主学习不同场景下的数据分布，进而使得训练后的图像分割模型在对实际的图像进行分割时能够达到非同源数据下精准的图像分割效果。此外，由于第二图像并没有经过人工标注，因此，有效节省了标注时间，从而有效减少得到训练好的图像分割模型所需的时长。
可以理解的是，上述第二方面至第六方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1是本申请一实施例提供的一种图像分割模型训练方法的流程图；
图2是本申请一实施例提供的第一图像与该第一图像的标签的示意图；
图3是本申请一实施例提供的通过待训练的编码器对图像进行特征提取以及通过待训练的解码器对提取的特征进行分割预测的示意图；
图4是本申请一实施例提供的另一种图像分割模型训练方法的流程图；
图5是本申请另一实施例提供的一种图像分割方法的流程图；
图6是本申请一实施例提供的一种图像分割模型训练装置的结构框图；
图7是本申请另一实施例提供的一种图像分割装置的结构框图；
图8是本申请实施例提供的通信设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
目前，在对图像分割模型进行训练之前，通常会收集尽可能多的图像，并对收集的各个图像进行人工标注，得到该图像的标签，比如，若图像中包含人像，且图像分割模型用于对人像的分割，则对该图像进行人工标注具体为对该人像的区域进行标注，得到指示该人像在图像的区域的标签。但由于收集不同场景的图像所需耗费的时间较多，且当收集到图像后，还需要花费较大的人力成本对收集的图像进行人工标注，因此，导致对图像分割模型的训练时长较长。
为了解决上述技术问题，本申请实施例提供了一种图像分割模型训练方法，在该训练方法中，只对部分图像进行标注，其余图像与已标注的图像(即具有标签的图像)一起对待训练的图像分割模型和待训练的判别器进行对抗训练，得到训练后的图像分割模型。
下面结合附图对本申请实施例提供的图像分割模型训练方法进行描述。
图1示出了本申请实施例提供的一种图像分割模型训练方法的流程图，该图像分割模型训练方法可应用于通信设备中，该通信设备包括服务器、机器人等，详述如下：
步骤S11，通过待训练的图像分割模型对第一图像进行分割预测，得到第一预测结果，上述第一图像为具有标签的图像。
本实施例中，预先为第一图像进行人工标注，得到该第一图像的标签，如图2所示，假设第一图像为图2中左边的图像，则该第一图像对应的标签为图2中右边的图像。当通过待训练的图像分割模型对第一图像进行分割预测后，得到第一预测结果，该第一预测结果包括第一图像的物体的分割信息。需要指出的是，由于待训练的图像分割模型仍需要训练，因此，第一预测结果与该第一图像的标签通常存在差异。
在一些实施例中，预先将人工标注的各个图像作为第一图像存入数据集，如存入数据集A中，这样，后续对待训练的图像分割模型进行训练时，可从该数据集A中快速选取出第一图像。
步骤S12，通过上述待训练的图像分割模型对第二图像进行分割预测，得到第二预测结果，上述第二图像为没有标签的图像。
本实施例中，由于第二图像为没有经过标注的图像，因此该第二图像为没有标签的图像。当通过待训练的图像分割模型对第二图像进行分割预测后，得到第二预测结果，该第二预测结果包括第二图像的物体的分割信息。
在一些实施例中，预先将没有经过人工标注的各个图像作为第二图像存入数据集，如存入数据集O中，这样，后续对待训练的图像分割模型进行训练时，可从该数据集O中快速选取出第二图像。
步骤S13，将上述第一预测结果与上述第二预测结果输入待训练的判别器，得到上述待训练的判别器输出的判别结果。
其中，待训练的判别器为一个神经网络，该神经网络包括一个或多个卷积层，也包括池化层。当卷积层的层数越多，其能够提取的特征越多，越利于后续的判别。
本实施例中，待训练的判别器用于分别识别第一预测结果和第二预测结果对应的是第一图像的预测结果还是对应的是第二图像的预测结果。例如，假设当判别器判定第一预测结果(或第二预测结果)为第一图像的预测结果时，其输出的判别结果为1，当判别器判定第二预测结果(或第一预测结果)为第二图像的预测结果时，其输出的判别结果为0，当判别器针对第一预测结果输出的判别结果为0.5(即“0”和“1”之间的均值)时，则表明该判别器不能判断出第一预测结果是第一图像的预测结果还是第二图像的预测结果。当然，上述的“1”、“0”也可以为其他数值，此处不作限定。
在另一些实施例中，若第一图像为集合A中的图像，第二图像为集合O中的图像，则当判别器针对第一预测结果输出的判别结果为0.5时，则表明该判别器不能判断出第一预测结果是来自于集合A还是来自于集合O。本实施例中，当判别器不能判断出预测结果是来自于那个集合时，表明该判别器收敛。
步骤S14，根据上述第一预测结果、第一图像的标签以及上述判别结果对上述待训练的图像分割模型和上述待训练的判别器进行训练，直至满足预设的停止训练条件，得到训练后的图像分割模型。
本实施例中，由于根据第一预测结果、第一图像的标签以及判别结果对待训练的图像分割模型和上述待训练的判别器进行训练，而判别结果是待训练的判别器对待训练的图像分割模型输出的预测结果进行判别后得到，因此，对待训练的图像分割模型和上述待训练的判别器进行训练，实际上是通过对抗学习的方式对该待训练的图像分割模型和上述待训练的判别器进行训练，使得对抗学习后的图像分割模型能够学习不同场景下的数据分布。
在本申请实施例中，由于将待训练的图像分割模型分别对第一图像、第二图像进行分割预测得到的第一预测结果和第二预测结果都输入判别器进行判别，并根据判别结果、第一预测结果以及第一图像的标签对待训练的图像分割模型和上述待训练的判别器进行训练，也即，相当于对待训练的图像分割模型和待训练的判别器进行对抗学习，而不是单独对待训练的图像分割模型进行训练，因此使得待训练的图像分割模型能够自主学习不同场景下的数据分布，进而使得训练后的图像分割模型在对实际的图像进行分割时能够达到非同源数据下精准的图像分割效果。此外，由于第二图像并没有经过人工标注，因此，有效节省了标注时间，从而有效减少得到训练好的图像分割模型所需的时长。
在一些实施例中，待训练的图像分割模型包括待训练的编码器和待训练的解码器，上述步骤S11，包括：
A1、通过待训练的编码器提取上述第一图像的特征，其中，上述待训练的编码器为预设的第一神经网络。
A2、通过待训练的解码器对上述第一图像的特征进行分割预测，得到上述第一预测结果，其中，上述待训练的解码器为预设的第二神经网络；
对应地，上述步骤S12，包括：
B1、通过上述待训练的编码器提取上述第二图像的特征。
B2、通过上述待训练的解码器对上述第二图像的特征进行分割预测，得到上述第二预测结果。具体地，通过解码器，得到第二图像中待分割物体的预测结果图。
本实施例中，通过待训练的编码器提取第一图像的特征，由于该待训练的编码器为预设的第一神经网络，因此，其能够实现对第一图像的特征的准确提取。在一些实施例中，为了能够提取到更多的特征，则上述的预设的第一神经网络包括至少2个卷积层和2个池化层。同理，上述的预设的第二神经网络也包括至少2个卷积层和2个池化层，其与预设的第一神经网络对应。图3示出了通过待训练的编码器对图像进行特征提取以及通过待训练的解码器对提取的特征进行分割预测的示意图。在图3中，数据集A存储的是第一图像，数据集O存储的是第二图像，第一预测结果和第二预测结果通过卷积处理后输入判别器进行判别，输出该第一预测结果和第二预测结果是真还是假的概率。在图3中，待训练的编码器通过连续的卷积(convolution)层提取第一图像(或第二图像)的高维的特征，在卷积层的中间再穿插着一些池化(pooling)层来降低提取的特征的尺寸，来减少网络的计算量。接着，通过连续的反卷积操作(transposed convolution)将这些高维的特征进行还原，最终得到与原始输入图像同样大小的预测结果。(该预测结果与原图相同尺寸的原因在于，分割需要对图像中的每个像素进行分类，判断图像中的每个像素是否属于某一类物体)。在得到预测结果之后，再根据损失值来衡量是否停止对待训练的图像分割模型的训练。
在一些实施例中，上述A1具体包括：
通过待训练的编码器提取上述第一图像的特征，得到上述第一图像的特征，上述第一图像的特征的通道数大于上述第一图像的通道数。
本实施例中，由于第一图像的特征的通道数大于第一图像的通道数，因此，其能够保证提取到更多的第一图像的特征。进一步地，该第一图像的特征的通道数大于或等于32，即得到的第一图像的特征为高维特征。例如，假设第一图像为红绿蓝(Red Green Blue，RGB)图像，其通道数为3，图像的高为h，宽为w，通过待训练的编码器对第一图像进行卷积运算之后，提取到的第一图像的特征的通道数为32，图像的高为h，宽为w，即使得第一图像的通道数32大于第一图像的通道数3。
图4示出了本申请实施例提供的另一种图像分割模型训练方法的流程图，主要对上述步骤S14进行细化，步骤S41～步骤S43与上述步骤S11～步骤S13相同，此处不再赘述。
步骤S41，通过待训练的图像分割模型对第一图像进行分割预测，得到第一预测结果，上述第一图像为具有标签的图像。
在一些实施例中，该待训练的图像分割模型包括待训练的编码器和待训练的解码器。
步骤S42，通过上述待训练的图像分割模型对第二图像进行分割预测，得到第二预测结果，上述第二图像为没有标签的图像。
步骤S43，将上述第一预测结果与上述第二预测结果输入待训练的判别器，得到上述待训练的判别器输出的判别结果。
步骤S44，计算上述第一预测结果与上述第一图像的标签的损失值，得到第一损失值。
具体地，直接将第一预测结果与第一图像的标签进行比较，如将第一预测结果与第一图像的标签作差，得到第一损失值，或者，将第一预测结果与第一图像的标签作比，得到第一损失值。当然，也可以采用其他方式确定第一损失值，此处不作限定。由于第一图像的标签为人工标注得到，因此，将第一图像的标签与第一预测结果比较之后，得到的第一损失值能够准确指示第一预测结果与真实结果(第一图像的标签)的差异。
步骤S45，根据上述第一损失值与上述判别结果，确定第二损失值。
具体地，可将第一损失值与判别结果的和作为第二损失值。或者，将第一损失值与对应的权重相乘后，再与判别结果相加，得到的结果作为第二损失值。当然，也可以采用其他方式确定第二损失值，此处不作限定。
步骤S46，基于上述第二损失值对上述待训练的图像分割模型和上述待训练的判别器进行训练，直至上述第二损失值满足预设的停止训练条件，得到训练后的图像分割模型。
其中，预设的停止训练条件可以为第二损失值不再减小，例如小于10-3，也可以为该第二损失值在某个范围内震荡。
本实施例中，若第二损失值不满足预设的停止训练条件，则对待训练的图像分割模型的参数和待训练的判别器的参数进行优化，在参数进行优化之后，返回步骤S41以及后续步骤。需要指出的是，也可以选取新的第一图像和新的第二图像之后，再返回步骤S41以及后续步骤，即以新的第一图像和新的第二图像执行步骤S41以及后续步骤，此处不做限定。在一些实施例中，可使用随机梯度下降等一系列的优化器(optimizer)对待训练的图像分割模型的参数和待训练的判别器的参数的优化，通过一次又一次的迭代，得到一个较好的图像分割模型。
在本申请实施例中，根据第一预测结果与第一图像的标签进行损失值的计算，得到第一损失值，由于第一预测结果是待训练的图像分割模型对第一图像进行分割预测得到，因此，第一损失值能够准确表示待训练的图像分割模型所预测的标签与真实的标签之间的差异。也即，使得根据第一损失值与判别结果确定的第二损失值能够较好地反应待训练的图像分割模型是否需要继续训练，从而使得基于该第二损失值所得到的训练后的图像分割模型和训练后的判别器更准确。
在一些实施例中，在上述步骤S11(或步骤S41)之前，包括：
获取图像，对上述图像进行裁剪处理，得到上述第一图像。
本实施例中，对图像进行裁剪处理后，得到的第一图像的尺寸将小于原始获取的图像的尺寸，由于尺寸变小，因此减少了后续需处理的数据量，从而提高了处理速度。进一步地，将图像裁剪为预设尺寸大小。由于将获取的图像都裁剪为预设尺寸，因此，便于后续的数据处理，从而提高了处理结果的准确性。例如，假设通过机器人自带的摄像头获取的图像的尺寸为640*480时，可将该图像裁剪为480*480的尺寸。
在一些实施例中，在上述步骤S11(或步骤S41)之前，包括：
获取图像，对上述图像进行归一化处理，得到上述第一图像。
本实施例中，对图像进行归一化处理是指将图像的像素值映射在0～1范围内的处理。例如，假设通过摄像头得到的每一帧图像，其像素值的取值范围为0～255，通过对图像进行归一化处理后，将0～255范围的像素值映射到0～1范围。
在一些实施例中，可在获取图像后，对图像进行裁剪处理和归一化处理之后，得到的图像才作为第一图像。
在一些实施例中，上述对上述图像进行归一化处理，包括：
根据上述图像中的最小像素值和最大像素值对上述图像的各个像素值进行归一化处理。
具体地，根据下式进行归一化处理：(Ii-Imin)/Imax，其中，Ii为图像中需进行归一化处理的像素值，Imin和Imax分别为该图像中的最小像素值和最大像素值。通过上述公式能够将图像中的各个像素值映射到0～1范围内。
在一些实施例中，在步骤S14(或步骤S46)之后，包括：
若获取到分割错误信息，则获取与上述分割错误信息对应的待分割图像，并与上述分割错误信息对应的待分割图像作为新的第二图像，根据新的第二图像对训练后的图像分割模型的再次训练。
本实施例中，考虑到机器人常常面临复杂的场景，因此，在图像分割模型进行训练之后，仍可能出现不能对新的场景图像进行有效分割的情况，此时，该机器人生成分割错误信息，或者，该机器人接收用户反馈的分割错误信息，之后，该机器人将获取与该分割错误信息对应的待分割图像，并将该待分割图像作为新的第二图像，根据该新的第二图像以及已得到标签的第一图像再次对图像分割模型进行训练。需要指出的是，已得到标签的第一图像包括人工标注的图像，也包括在进行上一次训练所涉及的第一图像和第二图像。通过将上一次训练所涉及的第二图像也作为得到标签的第一图像，因此，能够有效增加第一图像的数据量，从而有利于提高对再次对图像分割模型进行训练的速度。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
图5示出了本申请实施例提供的一种图像分割方法的流程图，该图像分割方法应用于通信设备，该通信设备可如机器人，监控装置等，详述如下：
步骤S51，获取待分割图像。
其中，这里的待分割图像为通信设备的摄像头实时拍摄的图像，也可以是该通信设备存储的图像。
步骤S52，采用上述的训练后的图像分割模型对上述待分割图像进行图像分割，得到图像分割结果。
其中，训练后的图像分割模型参照上述的实施例，此处不再赘述。
本申请实施例中，由于训练后的图像分割模型自主学习了不同场景下的数据分布，因此，采用训练后的图像分割模型对实际的待分割图像进行分割时，能够达到非同源数据下精准的图像分割效果。
在一些实施例中，若不能得到图像分割结果，或图像分割结果不符合要求，则生成分割错误信息，或者，获取用户发出的分割错误信息。
对应于上文实施例上述的图像分割模型训练方法，图6示出了本申请实施例提供的一种图像分割模型训练装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图6，该图像分割模型训练装置6包括：第一预测结果确定单元61、第二预测结果确定单元62、判别结果得到单元63、模型训练单元64，其中：
第一预测结果确定单元61，用于通过待训练的图像分割模型对第一图像进行分割预测，得到第一预测结果，上述第一图像为具有标签的图像。
第二预测结果确定单元62，用于通过上述待训练的图像分割模型对第二图像进行分割预测，得到第二预测结果，上述第二图像为没有标签的图像。
判别结果得到单元63，用于将上述第一预测结果与上述第二预测结果输入待训练的判别器，得到上述待训练的判别器输出的判别结果。
模型训练单元64，用于根据上述第一预测结果、第一图像的标签以及上述判别结果对上述待训练的图像分割模型和上述待训练的判别器进行训练，直至满足预设的停止训练条件，得到训练后的图像分割模型。
本申请实施例中，在本申请实施例中，由于将待训练的图像分割模型分别对第一图像、第二图像进行分割预测得到的第一预测结果和第二预测结果都输入判别器进行判别，并根据判别结果、第一预测结果以及第一图像的标签对待训练的图像分割模型和上述待训练的判别器进行训练，也即，相当于对待训练的图像分割模型和待训练的判别器进行对抗学习，而不是单独对待训练的图像分割模型进行训练，因此使得待训练的图像分割模型能够自主学习不同场景下的数据分布，进而使得训练后的图像分割模型在对实际的图像进行分割时能够达到非同源数据下精准的图像分割效果。此外，由于第二图像并没有经过人工标注，因此，有效节省了标注时间，从而有效减少得到训练好的图像分割模型所需的时长。
在一些实施例中，第一预测结果确定单元61包括：
第一特征提取模块，用于通过待训练的编码器提取上述第一图像的特征，其中，上述待训练的编码器为预设的第一神经网络。
第一分割模块，用于通过待训练的解码器对上述第一图像的特征进行分割预测，得到上述第一预测结果，其中，上述待训练的解码器为预设的第二神经网络。
上述第二预测结果确定单元62，包括：
第二特征提取模块，用于通过上述待训练的编码器提取上述第二图像的特征；
第二分割模块，用于通过上述待训练的解码器对上述第二图像的特征进行分割预测，得到上述第二预测结果。
在一些实施例中，上述第一特征提取模块具体用于：
通过待训练的编码器提取上述第一图像的特征，得到上述第一图像的特征，上述第一图像的特征的通道数大于上述第一图像的通道数。
进一步地，该第一图像的特征的通道数大于或等于32，即得到的第一图像的特征为高维特征。
在一些实施例中，上述模型训练单元64，包括：
第一损失值计算模块，用于计算上述第一预测结果与上述第一图像的标签的损失值，得到第一损失值；
第二损失值确定模块，用于根据上述第一损失值与上述判别结果，确定第二损失值；
训练模块，用于基于上述第二损失值对上述待训练的图像分割模型和上述待训练的判别器进行训练。
在一些实施例中，该图像分割模型训练装置6包括：
裁剪单元，用于获取图像，对上述图像进行裁剪处理，得到上述第一图像。
在一些实施例中，该图像分割模型训练装置6包括：
归一化处理单元，用于获取图像，对上述图像进行归一化处理，得到上述第一图像。
在一些实施例中，上述归一化处理单元对上述图像进行归一化处理，具体用于：
根据上述图像中的最小像素值和最大像素值对上述图像的各个像素值进行归一化处理。
在一些实施例中，该图像分割模型训练装置6包括：
再次训练单元，用于若获取到分割错误信息，则获取与上述分割错误信息对应的待分割图像，并与上述分割错误信息对应的待分割图像作为新的第二图像，根据新的第二图像对训练后的图像分割模型的再次训练。
对应于上文实施例上述的图像分割方法，图7示出了本申请实施例提供的一种图像分割装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
该图像分割装置7包括：待分割图像获取单元71和图像分割结果获取单元72。
待分割图像获取单元71，用于获取待分割图像。
图像分割结果获取单元72，用于采用上述的训练后的图像分割模型对上述待分割图像进行图像分割，得到图像分割结果。
本申请实施例中，由于训练后的图像分割模型自主学习了不同场景下的数据分布，因此，采用训练后的图像分割模型对实际的待分割图像进行分割时，能够达到非同源数据下精准的图像分割效果。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
图8为本申请一实施例提供的通信设备的结构示意图。如图8所示，该实施例的通信设备8包括：至少一个处理器80(图8中仅示出一个处理器)、存储器81以及存储在上述存储器81中并可在上述至少一个处理器80上运行的计算机程序82，上述处理器80执行上述计算机程序82时实现上述任意各个方法实施例中的步骤：
通过待训练的图像分割模型对第一图像进行分割预测，得到第一预测结果，上述第一图像为具有标签的图像；
通过上述待训练的图像分割模型对第二图像进行分割预测，得到第二预测结果，上述第二图像为没有标签的图像；
将上述第一预测结果与上述第二预测结果输入待训练的判别器，得到上述待训练的判别器输出的判别结果；
根据上述第一预测结果、第一图像的标签以及上述判别结果对上述待训练的图像分割模型和上述待训练的判别器进行训练，直至满足预设的停止训练条件，得到训练后的图像分割模型。
可选地，上述待训练的图像分割模型包括待训练的编码器和待训练的解码器，上述通过待训练的图像分割模型对第一图像进行分割预测，得到第一预测结果，包括：
通过待训练的编码器提取上述第一图像的特征，其中，上述待训练的编码器为预设的第一神经网络；
通过待训练的解码器对上述第一图像的特征进行分割预测，得到上述第一预测结果，其中，上述待训练的解码器为预设的第二神经网络；
上述通过上述待训练的图像分割模型对第二图像进行分割预测，得到第二预测结果，包括：
通过上述待训练的编码器提取上述第二图像的特征；
通过上述待训练的解码器对上述第二图像的特征进行分割预测，得到上述第二预测结果。
可选地，上述通过待训练的编码器提取上述第一图像的特征，包括：
通过待训练的编码器提取上述第一图像的特征，得到上述第一图像的特征，上述第一图像的特征的通道数大于上述第一图像的通道数。
可选地，上述根据上述第一预测结果、第一图像的标签以及上述判别结果对上述待训练的图像分割模型和上述待训练的判别器进行训练，包括：
计算上述第一预测结果与上述第一图像的标签的损失值，得到第一损失值；
根据上述第一损失值与上述判别结果，确定第二损失值；
基于上述第二损失值对上述待训练的图像分割模型和上述待训练的判别器进行训练。
可选地，在上述通过待训练的图像分割模型对第一图像进行分割预测之前，包括：
获取图像，对上述图像进行裁剪处理，得到上述第一图像。
可选地，在上述通过待训练的图像分割模型对第一图像进行分割预测之前，包括：
获取图像，对上述图像进行归一化处理，得到上述第一图像。
可选地，上述对上述图像进行归一化处理，包括：
根据上述图像中的最小像素值和最大像素值对上述图像的各个像素值进行归一化处理。
上述通信设备8可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该通信设备可包括，但不仅限于，处理器80、存储器81。本领域技术人员可以理解，图8仅仅是通信设备8的举例，并不构成对通信设备8的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
所称处理器80可以是中央处理单元(Central Processing Unit，CPU)，该处理器80还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器81在一些实施例中可以是所述通信设备8的内部存储单元，例如通信设备8的硬盘或内存。所述存储器81在另一些实施例中也可以是所述通信设备8的外部存储设备，例如所述通信设备8上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器81还可以既包括所述通信设备8的内部存储单元也包括外部存储设备。所述存储器81用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器81还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种网络设备，该网络设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/通信设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (9)

1.一种图像分割模型训练方法，其特征在于，包括：
通过待训练的图像分割模型对第一图像进行分割预测，得到第一预测结果，所述第一图像为具有标签的图像，所述待训练的图像分割模型包括待训练的编码器和待训练的解码器，该步骤进一步包括：通过待训练的编码器提取所述第一图像的特征，所述第一图像的特征的通道数大于所述第一图像的通道数，所述待训练的编码器为预设的第一神经网络；通过待训练的解码器对所述第一图像的特征进行分割预测，得到所述第一预测结果，所述待训练的解码器为预设的第二神经网络；
通过所述待训练的图像分割模型对第二图像进行分割预测，得到第二预测结果，所述第二图像为没有标签的图像，该步骤进一步包括：通过所述待训练的编码器提取所述第二图像的特征；通过所述待训练的解码器对所述第二图像的特征进行分割预测，得到所述第二预测结果；
将所述第一预测结果与所述第二预测结果输入待训练的判别器，得到所述待训练的判别器输出的判别结果；
根据所述第一预测结果、第一图像的标签以及所述判别结果对所述待训练的图像分割模型和所述待训练的判别器进行训练，直至满足预设的停止训练条件，得到训练后的图像分割模型。
2.如权利要求1所述的图像分割模型训练方法，其特征在于，所述根据所述第一预测结果、第一图像的标签以及所述判别结果对所述待训练的图像分割模型和所述待训练的判别器进行训练，包括：
计算所述第一预测结果与所述第一图像的标签的损失值，得到第一损失值；
根据所述第一损失值与所述判别结果，确定第二损失值；
基于所述第二损失值对所述待训练的图像分割模型和所述待训练的判别器进行训练。
3.如权利要求1所述的图像分割模型训练方法，其特征在于，在所述通过待训练的图像分割模型对第一图像进行分割预测之前，包括：
获取图像，对所述图像进行裁剪处理，得到所述第一图像。
4.如权利要求1所述的图像分割模型训练方法，其特征在于，在所述通过待训练的图像分割模型对第一图像进行分割预测之前，包括：
获取图像，对所述图像进行归一化处理，得到所述第一图像。
5.如权利要求4所述的图像分割模型训练方法，其特征在于，所述对所述图像进行归一化处理，包括：
根据所述图像中的最小像素值和最大像素值对所述图像的各个像素值进行归一化处理。
6.一种图像分割方法，其特征在于，包括：
获取待分割图像；
采用如权利要求1所述的训练后的图像分割模型对所述待分割图像进行图像分割，得到图像分割结果。
7.一种图像分割模型训练装置，其特征在于，包括：
第一预测结果确定单元，用于通过待训练的图像分割模型对第一图像进行分割预测，得到第一预测结果，所述第一图像为具有标签的图像，所述待训练的图像分割模型包括待训练的编码器和待训练的解码器，所述第一预测结果确定单元进一步包括：第一特征提取模块，用于通过待训练的编码器提取所述第一图像的特征，所述第一图像的特征的通道数大于所述第一图像的通道数，所述待训练的编码器为预设的第一神经网络；第一分割模块，用于通过待训练的解码器对所述第一图像的特征进行分割预测，得到所述第一预测结果，所述待训练的解码器为预设的第二神经网络；
第二预测结果确定单元，用于通过所述待训练的图像分割模型对第二图像进行分割预测，得到第二预测结果，所述第二图像为没有标签的图像，所述第二预测结果确定单元进一步包括：第二特征提取模块，用于通过所述待训练的编码器提取所述第二图像的特征；第二分割模块，用于通过所述待训练的解码器对所述第二图像的特征进行分割预测，得到所述第二预测结果；
判别结果得到单元，用于将所述第一预测结果与所述第二预测结果输入待训练的判别器，得到所述待训练的判别器输出的判别结果；
模型训练单元，用于根据所述第一预测结果、第一图像的标签以及所述判别结果对所述待训练的图像分割模型和所述待训练的判别器进行训练，直至满足预设的停止训练条件，得到训练后的图像分割模型。
8.一种通信设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的方法。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的方法。
CN202110139033.4A 2021-02-01 2021-02-01 图像分割模型训练方法、装置及通信设备 Active CN112966687B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110139033.4A CN112966687B (zh) 2021-02-01 2021-02-01 图像分割模型训练方法、装置及通信设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110139033.4A CN112966687B (zh) 2021-02-01 2021-02-01 图像分割模型训练方法、装置及通信设备

Publications (2)

Publication Number Publication Date
CN112966687A CN112966687A (zh) 2021-06-15
CN112966687B true CN112966687B (zh) 2024-01-19

Family

ID=76273016

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110139033.4A Active CN112966687B (zh) 2021-02-01 2021-02-01 图像分割模型训练方法、装置及通信设备

Country Status (1)

Country Link
CN (1) CN112966687B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114332554A (zh) * 2021-11-10 2022-04-12 腾讯科技（深圳）有限公司 图像分割模型的训练方法、图像分割方法、装置及设备
CN114155215B (zh) * 2021-11-24 2023-11-10 中山大学肿瘤防治中心（中山大学附属肿瘤医院、中山大学肿瘤研究所） 一种基于mr图像的鼻咽癌识别及肿瘤分割方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110148142A (zh) * 2019-05-27 2019-08-20 腾讯科技（深圳）有限公司 图像分割模型的训练方法、装置、设备和存储介质
CN111145147A (zh) * 2019-12-14 2020-05-12 中国科学院深圳先进技术研究院 多模态医学图像的分割方法及终端设备
CN111199550A (zh) * 2020-04-09 2020-05-26 腾讯科技（深圳）有限公司 图像分割网络的训练方法、分割方法、装置和存储介质
WO2020119679A1 (zh) * 2018-12-14 2020-06-18 深圳先进技术研究院 三维左心房分割方法、装置、终端设备及存储介质
CN111429464A (zh) * 2020-03-11 2020-07-17 深圳先进技术研究院 医学图像分割方法、医学图像分割装置及终端设备
CN112085739A (zh) * 2020-08-20 2020-12-15 深圳力维智联技术有限公司 基于弱监督的语义分割模型的训练方法、装置及设备
CN112232349A (zh) * 2020-09-23 2021-01-15 成都佳华物链云科技有限公司 模型训练方法、图像分割方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020119679A1 (zh) * 2018-12-14 2020-06-18 深圳先进技术研究院 三维左心房分割方法、装置、终端设备及存储介质
CN110148142A (zh) * 2019-05-27 2019-08-20 腾讯科技（深圳）有限公司 图像分割模型的训练方法、装置、设备和存储介质
CN111145147A (zh) * 2019-12-14 2020-05-12 中国科学院深圳先进技术研究院 多模态医学图像的分割方法及终端设备
CN111429464A (zh) * 2020-03-11 2020-07-17 深圳先进技术研究院 医学图像分割方法、医学图像分割装置及终端设备
CN111199550A (zh) * 2020-04-09 2020-05-26 腾讯科技（深圳）有限公司 图像分割网络的训练方法、分割方法、装置和存储介质
CN112085739A (zh) * 2020-08-20 2020-12-15 深圳力维智联技术有限公司 基于弱监督的语义分割模型的训练方法、装置及设备
CN112232349A (zh) * 2020-09-23 2021-01-15 成都佳华物链云科技有限公司 模型训练方法、图像分割方法及装置

Also Published As

Publication number Publication date
CN112966687A (zh) 2021-06-15

Similar Documents

Publication Publication Date Title
CN110705405B (zh) 目标标注的方法及装置
CN111950723B (zh) 神经网络模型训练方法、图像处理方法、装置及终端设备
CN113160257B (zh) 图像数据标注方法、装置、电子设备及存储介质
CN108229591B (zh) 神经网络自适应训练方法和装置、设备、程序和存储介质
CN110147722A (zh) 一种视频处理方法、视频处理装置及终端设备
CN112699775B (zh) 基于深度学习的证件识别方法、装置、设备及存储介质
US11967181B2 (en) Method and device for retinal image recognition, electronic equipment, and storage medium
CN110941978B (zh) 一种未识别身份人员的人脸聚类方法、装置及存储介质
EP4432215A1 (en) Image processing method and device
CN116168351B (zh) 电力设备巡检方法及装置
CN112966687B (zh) 图像分割模型训练方法、装置及通信设备
CN112102929A (zh) 医学图像标注方法、装置、存储介质及电子设备
CN113158773B (zh) 一种活体检测模型的训练方法及训练装置
CN112001317A (zh) 基于语义信息的导线缺陷识别方法、系统及终端设备
CN111709377B (zh) 特征提取方法、目标重识别方法、装置及电子设备
CN113139617B (zh) 一种输电线路自主定位方法、装置及终端设备
CN108182444A (zh) 基于场景分类的视频质量诊断的方法及装置
CN111915615B (zh) 图像分割方法、装置、电子设备及计算机可读存储介质
CN114240935B (zh) 一种空频域特征融合的医学影像特征识别方法及装置
CN113034449B (zh) 目标检测模型训练方法、装置及通信设备
CN112434631B (zh) 目标物识别方法、装置、电子设备及可读存储介质
CN116311290A (zh) 基于深度学习的手写及打印文本检测方法和装置
CN114399494A (zh) 异常细胞检测分割方法、装置、设备及存储介质
CN111815689A (zh) 一种半自动化标注方法、设备、介质及装置
CN111612791B (zh) 图像分割方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant