[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

说明书

本发明提供一种图像分割模型训练方法、图像分割方法、终端及计算机存储介质，其中，方法于执行单次模型训练时，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；本发明可以平衡图像分割模型的记忆能力和泛化能力，从而可以提高模型的图像分割效果和分割效率。

技术领域

本发明涉及图像分割技术领域，特别涉及一种图像分割模型训练方法、图像分割方法、终端及计算机存储介质。

背景技术

图像分割是指将图像分为若干个相互不重叠的子区域，使得同一个子区域内的特征具有一定相似性，不同子区域的特征呈现较为明显的差异，是图像处理和图像分析的关键步骤；图像分割的准确性高低，会对影像处理和分析结果效果产生重要的影响。

基于卷积神经网络的图像分割方法，因其具有较高的精度和鲁棒性，已得到了广泛的应用，该方法通常需要大量的训练数据对模型进行训练。对此，目前往往是将不同的训练数据集中至同一服务器后再进行训练，而这样处理会消耗大量的物理存储空间来保存各训练数据和训练过程数据，导致硬件成本增加等问题；并且，随着物联网的快速发展和普及，各数据通常会存在于各平台或终端中，例如对于医学临床领域，各训练数据通常存储于各医学中心，并将各中心的数据形成在线数据流。

然而，现有的基于卷积神经网络的图像分割方法，由于在模型训练时，通常将记忆能力和泛化能力分别定义成两个分离的任务；因而，于不同平台之间执行跨平台训练时，或利用不同组数据集依次执行模型训练时，往往会缺乏对之前数据流(之前平台上数据)的模型记忆能力，和缺少处理数据流外未知数据(之后平台数据)的模型泛化能力，

发明内容

鉴于以上现有技术中存在的缺点，本发明的目的在于提供一种图像分割模型训练方法、图像分割方法、终端及计算机存储介质，用于解决现有的图像分割模型在不同平台之间执行模型训练时，或利用不同组数据集执行模型训练时，存在模型记忆能力不足或模型泛化能力不足，即模型记忆和泛化无法兼顾，进而影响图像分割效果等问题。

为实现上述目的及其他相关目的，本发明于第一方面提供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。

于本发明一实施例中，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。

于本发明一实施例中，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。