[发明专利]一种面向图像分割的损失函数加权方法及装置

说明书

本发明公开了一种面向图像分割的损失函数加权方法及装置，所述方法包括：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；将类别损失项、形态损失项和目标距离损失项加权累加，得到权重图；将权重图与交叉熵损失函数结合，确定图像分割模型的预测结果的损失值；在训练过程中，采用梯度下降的方式约束图像分割模型关注关键前景目标位置。本发明可以驱使人工智能模型在训练过程中学习到图像中目标的形状特征，从而提高图像分割任务中对于关键前景目标位置的定位准确率。

技术领域

本发明涉及图像处理技术领域，特别涉及一种面向图像分割的损失函数加权方法及装置。

背景技术

随着硬件计算能力的进步和人工智能理论的发展，深度学习逐渐成为图像分割的主流方法。而在图像分割任务中，深度学习方法普遍呈现目标中心位置定位准确而边缘位置及关键位置定位不良的问题，无法有效地应用于工程实践。

目前针对该问题，Long等提出了一种类别平衡的加权方法，[Long J,ShelhamerE,Darrell T,et al.Fully convolutional networks for semantic segmentation[C].computer vision and pattern recognition,2015:3431-3440.]，通过类别数目计算权重为图像中属于不同类别的像素赋予不同的权值，这样的方法引导网络学习数目少的类别信息，但该方法仅根据像素类别赋予权值并未考虑前景各独立目标区域的形状特性，难以获得正确的分割结果。Ronneberger等提出一种基于距离计算的损失函数加权方法，[Ronneberger O,Fischer P,Brox T.U-net:Convolutional networks for biomedicalimage segmentation[C]//International Conference on Medical image computingand computer-assisted intervention.Springer,Cham,2015:234-241.]，通过为背景边界区域增加权重以获得较优的分割结果，该方法在背景边界越细的情况下权值越高，引导网络正确识别边缘。但是该方法仅对背景边界进行加权，并未对前景目标区域进行加权，同时该方法存在两个超参数，难以直接推广到其他数据集中。CaliváF提出错误惩罚距离加权方法(Error－penalizing distance weight，EPDW)[CaliváF，Iriondo C，Martinez A M，et al.Distance map loss penalty term for semantic segmentation[J].arXivPreprint arXiv:1908.03679，2019.]，班晓娟提出一种基于背景边界的自适应加权方法，[班晓娟，马博渊，黄海友，等.一种基于骨架感知的损失函数加权方法及装置：中国，202010429250.2[P].2020-05-20.]，上述方法均利用距离变换函数获得前背景的权重图，但是该方法均未考虑前景目标关键位置识别精准度不高的情况，泛用性较低。

发明内容

本发明提供了一种面向图像分割的损失函数加权方法及装置，以解决现有技术所存在的图像分割模型难以准确定位关键前景目标位置且分割准确率低的技术问题。

为解决上述技术问题，本发明提供了如下技术方案：

一方面，本发明提供了一种面向图像分割的损失函数加权方法，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；