[发明专利]训练方法及装置、图像处理方法、电子设备和存储介质

说明书

一种训练方法及装置、图像处理方法、电子设备和存储介质。该训练处理方法包括：获取训练图像；利用图像处理网络对训练图像进行特征提取处理，得到与多个像素点一一对应的多个训练特征向量；获取特征字典；基于多个图像特征向量对多个训练特征向量进行编码处理，得到与多个训练特征向量一一对应的多个编码向量；根据多个编码向量和多个训练特征向量对图像处理网络进行图像分割训练。该图像处理方法通过特征字典整合、收集图像特征，从而通过特征字典可以对每张图像的分割提供更精确的引导，提升图像分割精度。

技术领域

本公开的实施例涉及一种图像处理网络的训练方法、图像处理方法、图像处理网络的训练装置、图像处理装置、电子设备和非瞬时性计算机可读存储介质。

背景技术

图像分割是指将数字图像细分为多个子区域的过程，根据子区域定义的不同可细分为语义分割、实例分割、全景分割等。图像分割的相关技术已经在自动驾驶、增强现实、安防监控、医疗辅助诊断等行业得到广泛的应用。图像分割是计算机视觉中一个重要的基础任务，也是一个经典难题，发展至今仍未找到一个通用的方法。近年来随着深度学习技术的逐步深入，图像分割算法也有了突飞猛进的发展。

发明内容

本公开至少一实施例提供一种图像处理网络的训练方法，包括：获取训练图像，其中，所述训练图像包括阵列排布的多个像素点；利用所述图像处理网络对所述训练图像进行特征提取处理，得到与所述多个像素点一一对应的多个训练特征向量；获取特征字典，其中，所述特征字典包括多个图像特征向量；基于所述多个图像特征向量对所述多个训练特征向量进行编码处理，得到与所述多个训练特征向量一一对应的多个编码向量；根据所述多个编码向量和所述多个训练特征向量对所述图像处理网络进行图像分割训练。

例如，在本公开至少一实施例提供的训练方法中，所述训练图像不具有对应的分割标签，对所述图像处理网络进行的训练为无监督训练。

例如，在本公开至少一实施例提供的训练方法中，获取特征字典，包括：获取预先训练过的图像处理网络对应的特征字典作为所述特征字典。

例如，在本公开至少一实施例提供的训练方法中，获取特征字典，包括：根据所述多个训练特征向量，对所述多个像素点进行聚类处理，得到K个代表特征向量，其中，所述多个图像特征向量包括所述K个代表特征向量，K为正整数。

例如，在本公开至少一实施例提供的训练方法中，根据所述多个训练特征向量，对所述多个像素点进行聚类处理，得到K个代表特征向量，包括：根据所述多个训练特征向量，对所述多个像素点进行K均值聚类处理或层次聚类处理，以将所述多个像素点划分为K个第一聚类；确定所述K个第一聚类的中心；将所述K个第一聚类的中心分别对应的K个训练特征向量作为所述K个代表特征向量。

例如，在本公开至少一实施例提供的训练方法中，获取特征字典，还包括：获取K个历史代表特征向量；其中，所述多个图像特征向量还包括所述K个历史代表特征向量。

例如，在本公开至少一实施例提供的训练方法中，在得到所述多个训练特征向量一一对应的多个编码向量之后，所述方法还包括：更新所述特征字典。

例如，在本公开至少一实施例提供的训练方法中，更新所述特征字典，包括：根据所述多个编码向量，对所述多个像素点进行聚类处理，得到N个第二聚类，其中，N为大于等于K的正整数；确定每个第二聚类包括的像素点的总数，以得到N个群体数量；根据所述N个群体数量，从所述N个第二聚类中选择K个第二聚类，其中，所述K个第二聚类的群体数量均大于等于所述N个第二聚类中除所述K个第二聚类以外的N-K个第二聚类的群体数量；确定所述K个第二聚类的中心；将所述K个第二聚类的中心分别对应的K个训练特征向量作为下一轮训练时的K个历史代表特征向量。

例如，在本公开至少一实施例提供的训练方法中，N＝2K。