[发明专利]一种面向图像分割的损失函数加权方法及装置

权利要求书

1.一种面向图像分割的损失函数加权方法，其特征在于，包括：

构建具有前景和背景标注的适用于图像分割任务的图像数据集；

根据图像中前景和背景所占的像素比例计算类别损失项；

根据图像中前景和背景的形态计算形态损失项；

根据图像中前景和背景相对于关键前景目标的距离计算目标距离损失项；

将所述类别损失项、形态损失项和目标距离损失项进行加权累加，得到权重图；将所述权重图与交叉熵损失函数结合，确定基于机器学习方法的图像分割模型的预测结果的损失值；基于所述损失值，在采用所述图像数据集训练模型过程中，采用梯度下降的方式约束所述图像分割模型关注关键前景目标位置。

2.如权利要求1所述的面向图像分割的损失函数加权方法，其特征在于，所述类别损失项的计算过程包括：

通过下列公式计算类别权重：

其中，num_k为类别k的像素数目，k＝0时，表示类别为背景，k＝1时，表示类别为前景，类别数目为C+1，C＝1；i＝{0,1}，当i＝0时，表示背景中的类别权重；当i＝1时，表示前景中的类别权重；

将和映射到与标注同等大小的具有C+1通道的权重图中，形成类别损失项w^bce。

3.如权利要求2所述的面向图像分割的损失函数加权方法，其特征在于，所述形态损失项计算过程包括：

通过下列公式计算像素点x的形态损失

其中，d(x)为像素点x到所属类别Y_x边缘的最近距离，x＝{0,1}，Y₀表示类别为背景，Y₁表示类别为前景；x_i为像素点x在权重图i通道的映射；

对每个像素点x分别计算形态损失，然后映射到与标注同等大小的具有C+1通道的权重图中，形成形态损失项w^shape。

4.如权利要求3所述的面向图像分割的损失函数加权方法，其特征在于，所述目标距离损失项的计算过程包括：

通过下列公式对每个像素点x分别计算目标距离损失w^ol(x)：

其中，d_A(x)为像素点x到所述关键前景目标坐标位置A的距离；

对每个像素点x分别计算目标距离损失w^ol(x)，然后映射到与标注同等大小的具有C+1通道的权重图中，形成目标距离损失项w^ol。

5.如权利要求1所述的面向图像分割的损失函数加权方法，其特征在于，将所述类别损失项、形态损失项和目标距离损失项进行加权累加时，各损失项的权重值根据任务场景设定。

6.如权利要求1所述的面向图像分割的损失函数加权方法，其特征在于，所述损失值Loss的表达式为：

其中，N为图像中像素点个数；表示类别为l(x)的像素点x对应的权重，l(x)＝{0,1}，若l(x)＝0，则在计算该像素点x的损失时使用背景像素点对应的权重若l(x)＝1，则在计算该像素点x的损失时使用前景像素点对应的权重p_l(x)(x)指预测结果中像素点x属于其真实分类的概率，Ω表示像素空间。

7.一种面向图像分割的损失函数加权装置，其特征在于，包括：

数据集构建模块，用于构建具有前景和背景标注的适用于图像分割任务的图像数据集；

类别损失计算模块，用于根据图像中前景和背景所占的像素比例计算类别损失项；

形态损失计算模块，用于根据图像中前景和背景的形态计算形态损失项；

目标距离损失计算模块，用于根据图像中前景和背景相对于关键前景目标的距离计算目标距离损失项；

合并及训练模块，用于将所述类别损失项、形态损失项和目标距离损失项进行加权累加，得到权重图；将所述权重图与交叉熵损失函数结合，确定基于机器学习方法的图像分割模型的预测结果的损失值；基于所述损失值，在采用所述图像数据集训练模型过程中，采用梯度下降的方式约束所述图像分割模型关注关键前景目标位置。