[发明专利]模型训练方法及图像处理方法和相关装置、设备、介质

说明书

本申请公开了一种模型训练方法及图像处理方法和相关装置、设备、介质，其中，模型训练方法包括：利用第一勾画模型对第一样本图像进行勾画，得到第一勾画模型中第一目标网络层输出的第一样本特征图，并利用第二勾画模型对第二样本图像进行勾画，得到第二勾画模型中第二目标网络层输出的第二样本特征图；利用配准模型对样本图像对进行分析，得到样本形变参数；其中，样本图像对包括第一样本图像和第二样本图像；基于样本形变参数，对第一样本特征图进行形变，得到形变样本特征图；基于形变样本特征图和第二样本特征图之间的差异，调整配准模型的网络参数。上述方案，能够提升图像配准效果。

技术领域

本申请涉及人工智能技术领域，特别是涉及一种模型训练方法及图像处理方法和相关装置、设备、介质。

背景技术

图像配准一般是指同一目标的图像在空间位置上进行对准，其广泛应用于人脸比对、手术规划等诸多场景。此外，得益于近年来人工智能技术的快速发展，利用神经网络实现图像配准已经逐渐成为图像配准的主流技术之一。

然而，现有方式主要通过配准模型输出的形变参数对样本图像的配准效果来约束模型训练，配准效果往往不甚理想。有鉴于此，如何提升图像配准效果成为亟待解决的问题。

发明内容

本申请提供一种模型训练方法及图像处理方法和相关装置、设备、介质。

本申请第一方面提供了一种模型训练方法，包括：利用第一勾画模型对第一样本图像进行勾画，得到第一勾画模型中第一目标网络层输出的第一样本特征图，并利用第二勾画模型对第二样本图像进行勾画，得到第二勾画模型中第二目标网络层输出的第二样本特征图；利用配准模型对样本图像对进行分析，得到样本形变参数；其中，样本图像对包括第一样本图像和第二样本图像；基于样本形变参数，对第一样本特征图进行形变，得到形变样本特征图；基于形变样本特征图和第二样本特征图之间的差异，调整配准模型的网络参数。

因此，利用第一勾画模型对第一样本图像进行勾画，得到第一勾画模型中第一目标网络层输出的第一样本特征图，并利用第二勾画模型对第二样本图像进行勾画，得到第二勾画模型中第二目标网络层输出的第二样本特征图，在此基础上，可以利用配准模型对第一样本图像和第二样本图像进行分析，得到样本形变参数，并利用样本形变参数对第一样本特征图进行形变，得到形变样本特征图，再基于形变样本特征图和第二样本特征图之间的差异，调整配准模型的网络参数，由于一方面在训练过程中，利用勾画模型来勾画样本图像，有利于提升配准模型对不同图像中目标对象配准的关注度，另一方面通过样本形变参数对样本特征图的配准效果来约束配准模型，即能够在特征层面约束配准模型，故此有利于提升配准模型性能，从而提升图像配准效果。

其中，模型训练方法还包括：选择第一勾画模型中若干网络层分别作为第一目标网络层，以及选择第二勾画模型中若干网络层分别作为第二目标网络层；选择满足预设条件的第一目标网络层和第二目标网络层进行组合，得到若干个网络层组合；利用样本形变参数对第一样本特征图进行形变，得到形变样本特征图，包括：对于各个网络层组合，利用样本形变参数对网络层组合中第一目标网络层所输出的第一样本特征图进行形变，得到与网络层组合对应的形变样本特征图；基于形变样本特征图和第二样本特征图之间的差异，调整配准模型的网络参数，包括：基于各个网络层组合中第二目标网络层所输出的第二样本特征图和参考样本特征图之间的差异，调整配准模型的网络参数；其中，参考样本特征图为与网络层组合对应的形变样本特征图。

因此，选择第一勾画模型中若干网络层分别作为第一目标网络层，以及选择第二勾画模型中若干网络层分别作为第二目标网络层，并选择满足预设条件的第一目标网络层和第二目标网络层进行组合，得到若干个网络层组合，对于各个网络层组合，利用样本形变参数中第一目标网络层所输出的第一样本特征图进行形变，得到与网络层组合对应的形变样本特征图，从而基于各个网络层组合中第二目标网络层输出的第二样本特征图和参考样本特征图之间的差异，调整配准模型的网络参数，且参考样本特征图未与网络层组合对应的形变样本特征图，故能够通过样本形变参数对若干网络层所输出的样本特征图的配准效果，共同来约束配准模型的训练，有利于提升配准模型的性能。