[发明专利]图像分割模型训练方法、图像分割方法、终端及介质

权利要求书

1.一种图像分割模型训练方法，其特征在于，基于各组数据集，依次对图像分割模型进行模型训练；于执行单次所述模型训练时，包括：

基于当前数据集和当前示例集，获取虚拟训练集和虚拟测试集；所述当前示例集为执行所述当前模型训练之前的各次模型训练时，所获得示例数据的集合；

基于各所述数据集，采用同步梯度对齐的对偶元优化方法，对当前图像分割模型进行优化，以获得当前优化后的图像分割模型；

于所述当前数据集中获取示例样本数据，以基于所述示例样本数据，更新所述当前示例集。

2.根据权利要求1所述的图像分割模型训练方法，其特征在于，所述基于当前数据集和当前示例集，获取虚拟训练集和虚拟测试集，包括：

将所述当前数据集和所述当前示例集进行合并，获得当前的总数据集；

采集随机方法，将该总数据集分为所述虚拟训练集和所述虚拟测试集。

3.根据权利要求1所述的图像分割模型训练方法，其特征在于，所述采用同步梯度对齐的对偶元优化方法对当前图像分割模型进行优化，包括：

利用第一损失函数，分别基于所述当前数据集和所述虚拟训练集，对所述当前图像分隔模型进行优化，以对应获得第一优化模型和第二优化模型；以及，

利用第二损失函数、所述第一优化模型和所述第二优化模型，分别基于所述当前示例集和所述虚拟测试数据集，对所述当前图像分割模型进行优化，以获得优化后的图像分割模型；其中，

所述当前图像分隔模型为在执行上一次所述模型训练所获得的优化后的图像分割模型。

4.根据权利要求3所述的图像分割模型训练方法，其特征在于，所述分别基于所述当前数据集和所述虚拟训练集对所述当前图像分隔模型进行优化，包括：

采用最小化第一交叉熵损失函数方法，基于所述当前数据集对所述当前图像分割模型进行损失函数计算，以获得该第一交叉熵损失函数对应的数据集梯度；基于所述数据集梯度对所述当前图像分割模型进行优化，以获得优化后的第一优化模型的模型参数；以及，

采用最小化第一交叉熵损失函数方法，基于所述虚拟训练集对所述当前图像分割模型进行损失函数计算，以获得对应的虚拟训练集梯度；基于所述虚拟训练集梯度对所述当前图像分割模型进行优化，以获得优化后的第二优化模型的模型参数。

5.根据权利要求4所述的图像分割模型训练方法，其特征在于，所述第一交叉熵损失函数，包括：

L_ce1＝y_i log p_i+(1-y_i)log(1-p_i)

其中，p_i表示所述当前数据集或所述虚拟训练集中图像像素i被判定为分割前景的概率，y_i表示所述当前数据集或所述虚拟训练集中图像像素i是否在与图像对应标签数据中作为前景像素的概率。

6.根据权利要求4所述的图像分割模型训练方法，其特征在于，所述图像分割模型包括卷积神经网络，包括编码器、解码器和分割器；所述基于所述当前数据集对所述当前图像分割模型进行损失函数计算，包括：

基于所述编码器对各所述图像样本数据进行编码，以获得各所述图像样本数据的特征编码；

基于所述解码器对所述特征编码进行解码，以获得新的图像样本数据；

基于所述分割器对所述新的图像样本数据进行分割处理，以获得对应的分割结果；

基于各所述图像样本数据的分割结果和对应的标签信息，计算当前图像分割模型的损失函数值。

7.根据权利要求3所述的图像分割模型训练方法，其特征在于，所述分别基于所述当前示例集和所述虚拟测试数据集对所述当前图像分割模型进行优化，包括：

采用最小化第二交叉熵损失函数方法，基于所述当前示例集对所述第一优化模型进行损失函数计算，以获得对应的示例集梯度；和采用最小化第二交叉熵损失函数方法，基于所述虚拟测试集对所述第二优化模型进行损失函数计算，以获得对应的虚拟测试集梯度；

基于所述示例集梯度和所述虚拟测试集梯度，对所述当前图像分割模型进行优化，以获得优化后图像分割模型的模型参数。