CN113920314A - 语义分割、模型训练方法,装置,设备以及存储介质 - Google Patents
语义分割、模型训练方法,装置,设备以及存储介质 Download PDFInfo
- Publication number
- CN113920314A CN113920314A CN202111157085.0A CN202111157085A CN113920314A CN 113920314 A CN113920314 A CN 113920314A CN 202111157085 A CN202111157085 A CN 202111157085A CN 113920314 A CN113920314 A CN 113920314A
- Authority
- CN
- China
- Prior art keywords
- dimensional image
- semantic segmentation
- model
- loss function
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 207
- 238000012549 training Methods 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 84
- 230000006870 function Effects 0.000 claims description 88
- 238000002372 labelling Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 230000000007 visual effect Effects 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 11
- 238000003384 imaging method Methods 0.000 description 8
- 239000003795 chemical substances by application Substances 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 241001465754 Metazoa Species 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了语义分割、模型训练方法,装置,设备以及存储介质,涉及计算机视觉和深度学习技术领域。具体实现方案为:获取三维影像;对三维影像进行切分,确定至少一个二维图像序列;根据至少一个二维图像序列以及预先训练的语义分割模型,确定各二维图像序列的语义分割结果,语义分割模型用于对二维图像进行语义分割;根据各二维图像序列的语义分割结果,确定三维影像的语义分割结果。本实现方式可以提高三维影像的语义分割效率。
Description
技术领域
本公开涉及计算机技术领域,具体涉及计算机视觉、深度学习技术领域,尤其涉及语义分割、模型训练方法,装置,设备以及存储介质。
背景技术
随着医学成像技术和计算机技术的不断发展和进步,医学图像分析已成为医学研究中一个不可或缺的工具和技术手段。如何利用计算机技术辅助医疗影像筛查,受到了医疗、计算机科学、人工智能等领域的重视,具有重大的研究意义和实用价值。近年来,深度学习(Deep Learning,DL)和卷积神经网络(Convolutional Neural Networks,CNNs)已经迅速发展成为自动化医学影像分析的研究热点。
发明内容
本公开提供了一种语义分割、模型训练方法,装置,设备以及存储介质。
根据第一方面,提供了一种语义分割方法,包括:获取三维影像;对三维影像进行切分,确定至少一个二维图像序列;根据至少一个二维图像序列以及预先训练的语义分割模型,确定各二维图像序列的语义分割结果,语义分割模型用于对二维图像进行语义分割;根据各二维图像序列的语义分割结果,确定三维影像的语义分割结果。
根据第二方面,提供了一种模型训练方法,包括:获取训练样本集合,训练样本集合中的各训练样本包括样本二维图像以及对应的标注空间位置、标注语义分割结果,训练样本集合中的至少两张样本二维图像属于同一三维影像的同一视角的二维图像序列;将训练样本集合中的各样本二维图像作为目标模型的输入,将所输入的样本二维图像对应的标注空间位置作为目标模型的第一子模型的期望输出,将所输入的样本二维图像对应的标注语义分割结果作为目标模型的第二子模型的期望输出,训练得到目标模型,第一子模型用于表征样本二维图像与空间位置的对应关系,第二子模型用于表征样本二维图像与语义分割结果的对应关系;将训练完成的第二子模型作为语义分割模型。
根据第三方面,提供了一种语义分割装置,包括:获取单元,被配置成获取三维影像;切分单元,被配置成对三维影像进行切分,确定至少一个二维图像序列;分割单元,被配置成根据至少一个二维图像序列以及预先训练的语义分割模型,确定各二维图像序列的语义分割结果,语义分割模型用于对二维图像进行语义分割;确定单元,被配置成根据各二维图像序列的语义分割结果,确定三维影像的语义分割结果。
根据第四方面,提供了一种模型训练装置,包括:样本获取单元,被配置成获取训练样本集合,训练样本集合中的各训练样本包括样本二维图像以及对应的标注空间位置、标注语义分割结果,训练样本集合中的至少两张样本二维图像属于同一三维影像的同一视角的二维图像序列;模型训练单元,被配置成将训练样本集合中的各样本二维图像作为目标模型的输入,将所输入的样本二维图像对应的标注空间位置作为目标模型的第一子模型的期望输出,将所输入的样本二维图像对应的标注语义分割结果作为目标模型的第二子模型的期望输出,训练得到目标模型,第一子模型用于表征样本二维图像与空间位置的对应关系,第二子模型用于表征样本二维图像与语义分割结果的对应关系;模型确定单元,被配置成将训练完成的第二子模型作为语义分割模型。
根据第五方面,提供了一种电子设备,包括:至少一个处理器;以及与上述至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,上述指令被至少一个处理器执行,以使至少一个处理器能够执行如第一方面所描述的方法或执行如第二方面所描述的方法。
根据第六方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,上述计算机指令用于使计算机执行如第一方面所描述的方法或执行如第二方面所描述的方法。
根据第七方面,一种计算机程序产品,包括计算机程序,上述计算机程序在被处理器执行时实现如第一方面所描述的方法或实现如第二方面所描述的方法。
根据本公开的技术能够提高三维影像的语义分割效率。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是本公开的一个实施例可以应用于其中的示例性***架构图;
图2是根据本公开的语义分割方法的一个实施例的流程图;
图3是根据本公开的语义分割方法的另一个实施例的流程图;
图4是根据本公开的模型训练方法的一个实施例的流程图;
图5是根据本公开的模型训练方法的另一个实施例的流程图;
图6示出了图4或图5所示实施例的目标模型的结构示意图;
图7是根据本公开的语义分割方法、模型训练方法的一个应用场景的示意图;
图8是根据本公开的语义分割装置的一个实施例的结构示意图;
图9是根据本公开的模型训练装置的一个实施例的结构示意图;
图10是用来实现本公开实施例的语义分割方法、模型训练方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的语义分割方法、模型训练方法或语义分割装置、模型训练装置的实施例的示例性***架构100。
如图1所示,***架构100可以包括成像设备101,终端设备102,网络103和服务器104。网络103用以在成像设备101,终端设备102和服务器104之间提供通信链路的介质。网络103可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用成像设备101采集三维影像。并将采集到的三维影像通过网络103发送给终端设备102与服务器104。成像设备101可以是各种采集三维影像的设备,例如CT(Computed Tomography,电子计算机断层扫描)设备、MRI(Magnetic Resonance Imaging,磁共振成像)设备。成像设备101可以对人体或动物体进行扫描,得到三维影像。
终端设备102可以是用户使用的设备,其可以通过网络103接收成像设备101得到的三维影像。终端设备102上可以安装有各种通讯客户端应用,例如图像处理类应用等。
终端设备102可以是硬件,也可以是软件。当终端设备102为硬件时,可以是各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备102为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器104可以是提供各种服务的服务器,例如对终端设备102提供语义分割模型的后台服务器。后台服务器可以利用训练样本训练得到语义分割模型,并将语义分割模型反馈给终端设备102。
需要说明的是,服务器105可以是硬件,也可以是软件。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器105为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本公开实施例所提供的语义分割方法可以由终端设备102执行,也可以由服务器104执行。本公开实施例所提供的模型训练方法一般由服务器104执行。相应地,语义分割装置可以设置于终端设备102中,也可以设置于服务器104中。模型训练装置一般设置于服务器104中。
应该理解,图1中的成像设备、终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的成像设备、终端设备、网络和服务器。
继续参考图2,示出了根据本公开的语义分割方法的一个实施例的流程200。本实施例的语义分割方法,包括以下步骤:
步骤201,获取三维影像。
本实施例中,语义分割方法的执行主体可以通过各种方式获取三维影像。上述三维影像可以是人体或动物体的某个部位的三维影像,例如是人体肺叶、头部等的三维影像。
步骤202,对三维影像进行切分,确定至少一个二维图像序列。
执行主体在获取三维影像后,可以对三维影像进行切分。这里,切分是指将三维影像划分为多份,每份的厚度较薄,可以视为二维图像。经过上述切分,执行主体可以得到至少一个二维图像序列。每个二维图像序列中的各二维图像的厚度、大小都相同,并且其视角也相同。例如,都是从高度方向上切分的。每个二维图像序列中的各二维图像表示的部位在人体或动物体中的空间位置不同。
步骤203,根据至少一个二维图像序列以及预先训练的语义分割模型,确定各二维图像序列的语义分割结果。
本实施例中,执行主体可以将上述至少一个二维图像序列输入到预先训练的语义分割模型中,上述语义分割模型的输出可以为每个二维图像的语义分割结果。这里,语义分割结果可以包括对部位的语义分割结果,例如,包括肿瘤区、血管区、正常区等等。执行主体可以用不同的颜色表崔不同的语义区域。执行主体可以将每个二维图像的语义分割结果融合,得到各二维图像序列的语义分割结果。这里,融合可以指连接各个二维图像的语义分割结果,或者,对各二维图像的语义分割结果进行合并等等。
步骤204,根据各二维图像序列的语义分割结果,确定三维影像的语义分割结果。
执行主体在得到各二维图像序列的语义分割结果后,可以融合各语义分割结果,得到三维影像的语义分割结果。举例来说,如果各二维图像序列表示三维影像的不同视角,则执行主体可以根据不同二维图像序列的视角,对各二维图像序列的语义分割结果进行三维建模,得到三维影像的语义分割结果。
本公开的上述实施例提供的语义分割方法,可以对三维影像进行切分,并利用二维语义分割模型对得到的各二维图像序列进行语义分割,从而提高三维影像的语义分割效率。
继续参见图3,其示出了根据本公开的语义分割方法的另一个实施例的流程300。如图3所示,本实施例的方法可以包括以下步骤:
步骤301,获取三维影像。
步骤302,从三维影像的至少一个视角进行切分,确定至少一个二维图像序列。
本实施例中,三维影像是立体的,三维的。执行主体可以从不同视角对三维影像进行切分,每个视角得到一个二维图像序列,从而可以得到至少一个二维图像序列。
步骤303,分别将单个二维图像序列输入预先训练的语义分割模型,确定单个二维图像序列中各二维图像的语义分割结果;将单个二维图像序列中每个二维图像的语义分割结果按照各二维图像在二维图像序列中的空间位置进行连接,得到各二维图像序列的语义分割结果。
执行主体可以将单个二维图像序列输入预先训练的语义分割模型中,语义分割模型的输出即为各二维图像的语义分割结果。然后,执行主体可以跟反射各二维图像在所属的二维图像序列中的空间位置,对各二维图像的语义分割结果进行连接,从而可以得到每个二维图像序列的语义分割结果。具体的,每个二维图像的语义分割结果包括不同的语义区域,执行主体可以将空间位置相邻的两个二维图像中表示同一语义区域的边界进行连接,从而能够得到三维的语义分割结果。
步骤304,根据各二维图像序列的视角,对各二维图像序列的语义分割结果进行融合,得到三维影像的语义分割结果。
如果三维影像对应两个或以上二维图像序列,在得到各二维图像序列的语义分割结果后,执行主体可以根据各二维图像序列的视角,对各语义分割结果进行融合,从而能够得到三维影像的语义分割结果。这里,融合可以是指根据视角,对各语义分割结果进行三维建模,从而能够得到更加全面的语义分割结果。
本公开的上述实施例提供的语义分割方法,可以全面准确地确定各二维图像序列的语义分割结果,从而使得三维影像的语义分割结果更全面准确。
继续参见图4,其示出了根据本公开的模型训练方法的一个实施例的流程400。如图4所示,本实施例的模型训练方法可以包括以下步骤:
步骤401,获取训练样本集合。
本实施例中,模型训练方法的执行主体可以首先获取训练样本集合。上述训练样本集合中的各训练样本可以包括样本二维图像以及对应的标注空间位置、标注语义分割结果。这里,样本二维图像中存在至少两张来自于同一三维影像的同一视角。并且,不同样本二维图像的空间位置不同。这样,可以充分利用同一三维影像中不同空间位置的二维图像的信息。标注空间位置用于表示二维图像在所属的二维图像序列中的位置,例如二维图像序列共有512张二维图像,标注空间位置可以表示为120/512。标注语义分割结果可以是人工预先对三维影像中的二维图像标注得到的,不同的语义区域可以采用不同的颜色来表示。
步骤402,将训练样本集合中的各样本二维图像作为目标模型的输入,将所输入的样本二维图像对应的标注空间位置作为目标模型的第一子模型的期望输出,将所输入的样本二维图像对应的标注语义分割结果作为目标模型的第二子模型的期望输出,训练得到目标模型。
执行主体可以分别将训练样本集合中的各样本二维图像作为目标模型的输入,将所输入的样本二维图像对应的标注空间位置以及标注语义分割结果作为目标模型的期望输出,训练得到目标模型。具体的,本实施例中,目标模型可以包括第一子模型和第二子模型,其中,第一子模型用于表征二维图像与空间位置之间的对应关系,第二子模型用于表征二维图像与语义分割结果之间的对应关系。也就是说,如果将样本二维图像输入目标模型,可以从第一子模型中输出预测空间位置,可以从第二子模型中输出预测语义分割结果。在一些具体的实践中,第一子模型可以是现有的多种卷积神经网络,例如可以是Unet系列网络,而第二子模型可以是多个数据处理层组成的模型。
执行主体可以根据上述预测空间位置与标注空间位置之间的差异以及上述预测语义分割结果与标注语义分割结果之间的差异,同时调整第一子模型和第二子模型的参数。或者,执行主体可以根据预测空间位置与标注空间位置之间的差异调整第一子模型的参数,根据预测语义分割结果与标注语义分割结果之间的差异调整第二子模型的参数。执行主体在迭代调整参数的过程中,可以实时监测训练终止条件是否满足,如果满足,则训练完毕,即不再调整第一子模型和第二子模型的参数,得到训练完成的目标模型。
步骤403,将训练完成的第二子模型作为语义分割模型。
执行主体可以将训练完成的第二子模型作为语义分割模型。也就是说,在第二子模型的训练过程中,需要利用第一子模型来学习二维图像在二维图像序列中的空间位置信息,这样,第二子模型的参数也能够学习二维图像的空间位置信息。而在实际应用中,则不再需要第一子模型,这样语义分割模型仍然能够提取二维图像序列中各二维图像的空间位置信息。
本公开的上述实施例提供的模型训练方法,可以在训练过程中充分利用二维图像的空间位置信息,从而使得语义分割模型能够学习二维图像的空间位置信息,使得语义分割结果中考虑了空间位置信息。这样可以避免不同空间位置的二维图像(例如靠近前胸的二维图像和靠近后背的二维图像)虽然图像结构相似,但由于位于不同的部位,导致现有的二维语义分割模型不能得到准确的语义分割结果的情况。
继续参见图5,其示出了根据本公开的模型训练方法的另一个实施例的流程500。如图5所示,本实施例的模型训练方法可以包括以下步骤:
步骤501,获取训练样本集合。
本实施例中,训练样本集合中的各训练样本包括样本二维图像以及对应的标注空间位置、标注语义分割结果,训练样本集合中的至少两张样本二维图像属于同一三维影像的同一视角的二维图像序列。
步骤502,将训练样本集合中的各样本二维图像作为目标模型的输入,根据第一子模型输出的预测空间位置与所输入的样本二维图像对应的标注空间位置,确定第一损失函数。
本实施例中,执行主体可以将训练样本集合中的各样本二维图像作为目标模型的输入,根据第一子模型输出的预测空间位置与所输入的样本二维图像对应的标注空间位置,确定第一损失函数。具体的,执行主体可以根据预测空间位置与标注空间位置之间的差异,计算MSE(Mean Square Error,均方误差)损失函数。
在本实施例的一些可选的实现方式中,执行主体可以通过图5中未示出的以下步骤确定第一损失函数:将标注空间位置进行处理,确定对应的位于预设数值区间的数值,预测空间位置位于预设数值区间;根据预测空间位置与数值,确定第一损失函数。
本实现方式中,由于不同二维图像序列中可能不同数量的二维图像,导致标注空间位置可能数值较大,且在不同的二维图像序列中标注不同。为了更稳定的训练,让模型更容易拟合到目标值,本实现方式中,可以首先对标注空间位置进行处理,即将标注空间位置映射为一个位于预设数值区间的数值。上述预设数值区间可以是一个比较小的数值区域,例如[0,1]。为了进一步方便模型的训练,可以将上述数值区间设置为对称的区间,如[-1,1]。
执行主体可以通过对以下公式对标注空间位置进行归一化:
其中,Loc'G表示归一化后的值,LocG表示标注空间位置,T表示二维图像序列中二维图像的数量。
执行主体可以通过对以下公式确定第一损失函数:
其中,Lmse表示第一损失函数,N表示样本数量,LocP表示预测空间位置。
本实现方式中,预测空间位置也是一个位于上述数值区间的数值。第一子模型可以通过全局池化层和全连接层将接收的信息转变为位于上述数值区间的数值。
步骤503,根据第二子模型输出的预测语义分割结果与所输入的样本二维图像对应的标注语义分割结果,确定第二损失函数。
在本实施例中,执行主体可以根据预测语义分割结果与标注语义分割结果,计算MSE损失函数或者交叉熵损失函数,得到第二损失函数。
步骤504,根据第一损失函数以及第二损失函数,确定目标损失函数。
执行主体可以根据第一损失函数以及第二损失函数,确定目标损失函数。例如,执行主体可以将第一损失函数与第二损失函数相加,得到目标损失函数。或者,执行主体可以首先确定第一损失函数和第二损失函数对应的权重,然后,将第一损失函数与第二损失函数加权,得到目标损失函数。
在本实施例的一些可选的实现方式中,执行主体可以通过以下步骤确定目标损失函数:根据预测空间位置与标注空间位置之间的差异,确定第一损失函数的权重;根据第一损失函数、权重以及第二损失函数,确定目标损失函数。
本实现方式中,执行主体可以首先根据预测空间位置与标注空间位置之间的差异,确定第一损失函数的权重。如果预测空间位置与标注空间位置之间的差异越大,则说明第一子模型的性能较差,需要在损失函数中增加第一损失函数的权重。如果预测空间位置与标注空间位置之间的差异较小,则说明第一子模型的性能较好,需要在损失函数中减小第一损失函数的权重。也就是说,第一损失函数的权重与预测空间位置与标注空间位置之间的差异成正比。然后,执行主体可以将第一损失函数与上述权重相乘后与第二损失函数相加,得到目标损失函数。
执行主体可以通过以下公式确定第一损失函数的权重:
W=α*LocP-Loc'G)2
其中,W为第一损失函数的权重,α为预先设定的线性缩放参数。
执行主体可以通过以下公式确定目标损失函数:
Ltotal=W*Lmse+Lseg
其中,Ltotal表示目标损失函数,W为第一损失函数的权重,Lmse为第一损失函数,Lseg为第二损失函数。
步骤505,迭代调整第一子模型和第二子模型的参数,直至目标损失函数收敛。
执行主体可以迭代调整第一子模型和第二子模型的参数,直至目标损失函数收敛。这样,可以同时训练好第一子模型和第二子模型。
在本实施例的一些可选的实现方式中,上述第一子模型可以包括编码模块和解码模块,编码模块可以多次提取二维图像的特征,并将得到的特征图输出给第二子模块或者解码模块。在一些具体的实践中,编码模块可以包括多个2D CNN模块,每个2D CNN模块可以包括一个卷积层和一个归一化层,用于提取图像的特征,并且缩小特征图的尺寸。解码模块也可以包括多个2D CNN模块,这里的2D CNN模块也可以包括一个卷积层和一个归一化层,但归一化层还需要与对应的系数相乘,并且与一个偏置量相加,得到语义分割结果。
图6示出了图4或图5所示实施例的目标模型的结构示意图。在目标模型中,第二子模型可以与第一子模型中的编码模块连接或者与解码模块连接。具体的,第二子模型可以位于编码模块与解码模块之间,也可以位于解码模块之后。可以理解是,第二子模型的位置不同,会导致编码模块或解码模块的参数不同。如果第二子模型位于编码模块与解码模块之间,则编码模块具有学习二维图像的空间位置的能力。如果第二子模型位于解码模块之后,则编码模块和解码模块均具有学习二维图像的空间位置的能力。
本公开的上述实施例提供的模型训练方法,可以在训练时引入第二子模型来调整语义分割模型的参数,使得语义分割模型具有学习二维图像的空间信息的能力,提高语义分割结果的准确性。
继续参见图7,其示出了根据本公开的语义分割方法、模型训练方法的一个应用场景的示意图。在图7的应用场景中,服务器701利用训练样本集合同时训练目标模型中的第一子模型和第二子模型。在训练完成后,将第二子模型发送给终端设备702供其对成像设备703采集的三维影像进行语义分割,得到三维影像的语义分割结果。
进一步参考图8,作为对上述各图所示方法的实现,本公开提供了一种语义分割装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图8所示,本实施例的语义分割装置800包括:获取单元801、切分单元802、分割单元803和确定单元804。
获取单元801,被配置成获取三维影像。
切分单元802,被配置成对三维影像进行切分,确定至少一个二维图像序列。
分割单元803,被配置成根据至少一个二维图像序列以及预先训练的语义分割模型,确定各二维图像序列的语义分割结果,语义分割模型用于对二维图像进行语义分割。
确定单元804,被配置成根据各二维图像序列的语义分割结果,确定三维影像的语义分割结果。
在本实施例的一些可选的实现方式中,切分单元802可以进一步被配置成:从三维影像的至少一个视角进行切分,确定至少一个二维图像序列。
在本实施例的一些可选的实现方式中,分割单元803可以进一步被配置成:分别将单个二维图像序列输入预先训练的语义分割模型,确定单个二维图像序列中各二维图像的语义分割结果;将单个二维图像序列中每个二维图像的语义分割结果按照各二维图像在二维图像序列中的空间位置进行连接,得到各二维图像序列的语义分割结果。
在本实施例的一些可选的实现方式中,确定单元804可以进一步被配置成:根据各二维图像序列的视角,对各二维图像序列的语义分割结果进行融合,得到三维影像的语义分割结果。
应当理解,语义分割装置800中记载的单元801至单元804分别与参考图2中描述的方法中的各个步骤相对应。由此,上文针对语义分割方法描述的操作和特征同样适用于装置800及其中包含的单元,在此不再赘述。
进一步参考图9,作为对上述各图所示方法的实现,本公开提供了一种模型训练装置的一个实施例,该装置实施例与图4所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图9所示,本实施例的模型训练装置900包括:样本获取单元901、模型训练单元902和模型确定单元903。
样本获取单元901,被配置成获取训练样本集合,训练样本集合中的各训练样本包括样本二维图像以及对应的标注空间位置、标注语义分割结果,训练样本集合中的至少两张样本二维图像属于同一三维影像的同一视角的二维图像序列。
模型训练单元902,被配置成将训练样本集合中的各样本二维图像作为目标模型的输入,将所输入的样本二维图像对应的标注空间位置作为目标模型的第一子模型的期望输出,将所输入的样本二维图像对应的标注语义分割结果作为目标模型的第二子模型的期望输出,训练得到目标模型,第一子模型用于表征样本二维图像与空间位置的对应关系,第二子模型用于表征样本二维图像与语义分割结果的对应关系。
模型确定单元903,被配置成将训练完成的第二子模型作为语义分割模型。
在本实施例的一些可选的实现方式中,模型训练单元902可以进一步被配置成:将训练样本集合中的各样本二维图像作为目标模型的输入,根据第一子模型输出的预测空间位置与所输入的样本二维图像对应的标注空间位置,确定第一损失函数;根据第二子模型输出的预测语义分割结果与所输入的样本二维图像对应的标注语义分割结果,确定第二损失函数;根据第一损失函数以及第二损失函数,确定目标损失函数;迭代调整第一子模型和第二子模型的参数,直至目标损失函数收敛。
在本实施例的一些可选的实现方式中,模型训练单元902可以进一步被配置成:对标注空间位置进行处理,确定对应的位于预设数值区间的数值,预测空间位置位于预设数值区间;根据预测空间位置与数值,确定第一损失函数。
在本实施例的一些可选的实现方式中,模型训练单元902可以进一步被配置成:根据预测空间位置与标注空间位置之间的差异,确定第一损失函数的权重;根据第一损失函数、权重以及第二损失函数,确定目标损失函数。
在本实施例的一些可选的实现方式中,第二子模型包括编码模块和解码模块,第一子模型与编码模块或解码模块连接。
应当理解,模型训练装置900中记载的单元901至单元904分别与参考图4中描述的方法中的各个步骤相对应。由此,上文针对模型训练方法描述的操作和特征同样适用于装置900及其中包含的单元,在此不再赘述。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图10示出了根据本公开实施例的执行语义分割方法、模型训练方法的电子设备1000的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图10所示,电子设备1000包括处理器1001,其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储器1008加载到随机访问存储器(RAM)1003中的计算机程序,来执行各种适当的动作和处理。在RAM 1003中,还可存储电子设备1000操作所需的各种程序和数据。处理器1001、ROM 1002以及RAM 1003通过总线1004彼此相连。I/O接口(输入/输出接口)1005也连接至总线1004。
电子设备1000中的多个部件连接至I/O接口1005,包括:输入单元1006,例如键盘、鼠标等;输出单元1007,例如各种类型的显示器、扬声器等;存储器1008,例如磁盘、光盘等;以及通信单元1009,例如网卡、调制解调器、无线通信收发机等。通信单元1009允许电子设备1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器1001可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器1001的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器1001执行上文所描述的各个方法和处理,例如语义分割方法、模型训练方法。例如,在一些实施例中,语义分割方法、模型训练方法可被实现为计算机软件程序,其被有形地包含于机器可读存储介质,例如存储器1008。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到电子设备1000上。当计算机程序加载到RAM 1003并由处理器1001执行时,可以执行上文描述的语义分割方法、模型训练方法的一个或多个步骤。备选地,在其他实施例中,处理器1001可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行语义分割方法、模型训练方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。上述程序代码可以封装成计算机程序产品。这些程序代码或计算机程序产品可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器1001执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读存储介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读存储介质可以是机器可读信号存储介质或机器可读存储介质。机器可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学存储设备、磁存储设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务(“Virtual Private Server”,或简称“VPS”)中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以是分布式***的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开的保护范围之内。
Claims (21)
1.一种语义分割方法,包括:
获取三维影像;
对所述三维影像进行切分,确定至少一个二维图像序列;
根据所述至少一个二维图像序列以及预先训练的语义分割模型,确定各二维图像序列的语义分割结果,所述语义分割模型用于对二维图像进行语义分割;
根据各二维图像序列的语义分割结果,确定所述三维影像的语义分割结果。
2.根据权利要求1所述的方法,其中,所述对所述三维影像进行切分,确定至少一个二维图像序列,包括:
从所述三维影像的至少一个视角进行切分,确定至少一个二维图像序列。
3.根据权利要求1或2所述的方法,其中,所述根据所述至少一个二维图像序列以及预先训练的语义分割模型,确定各二维图像序列的语义分割结果,包括:
分别将单个二维图像序列输入所述预先训练的语义分割模型,确定单个二维图像序列中各二维图像的语义分割结果;
将单个二维图像序列中每个二维图像的语义分割结果按照各二维图像在二维图像序列中的空间位置进行连接,得到各二维图像序列的语义分割结果。
4.根据权利要求2所述的方法,其中,所述根据各二维图像序列的语义分割结果,确定所述三维影像的语义分割结果,包括:
根据各二维图像序列的视角,对各二维图像序列的语义分割结果进行融合,得到所述三维影像的语义分割结果。
5.一种模型训练方法,包括:
获取训练样本集合,所述训练样本集合中的各训练样本包括样本二维图像以及对应的标注空间位置、标注语义分割结果,所述训练样本集合中的至少两张样本二维图像属于同一三维影像的同一视角的二维图像序列;
将所述训练样本集合中的各样本二维图像作为目标模型的输入,将所输入的样本二维图像对应的标注空间位置作为所述目标模型的第一子模型的期望输出,将所输入的样本二维图像对应的标注语义分割结果作为所述目标模型的第二子模型的期望输出,训练得到所述目标模型,所述第一子模型用于表征样本二维图像与空间位置的对应关系,所述第二子模型用于表征样本二维图像与语义分割结果的对应关系;
将训练完成的第二子模型作为权利要求1~4所述的语义分割模型。
6.根据权利要求5所述的方法,其中,所述将所述训练样本集合中的各样本二维图像作为目标模型的输入,将所输入的样本二维图像对应的标注空间位置作为所述目标模型的第一子模型的期望输出,将所输入的样本二维图像对应的标注语义分割结果作为所述目标模型的第二子模型的期望输出,训练得到所述目标模型,包括:
将所述训练样本集合中的各样本二维图像作为目标模型的输入,根据所述第一子模型输出的预测空间位置与所输入的样本二维图像对应的标注空间位置,确定第一损失函数;
根据所述第二子模型输出的预测语义分割结果与所输入的样本二维图像对应的标注语义分割结果,确定第二损失函数;
根据所述第一损失函数以及所述第二损失函数,确定目标损失函数;
迭代调整所述第一子模型和所述第二子模型的参数,直至所述目标损失函数收敛。
7.根据权利要求6所述的方法,其中,所述根据所述第一子模型输出的预测空间位置与所输入的样本二维图像对应的标注空间位置,确定第一损失函数,包括:
对所述标注空间位置进行处理,确定对应的位于预设数值区间的数值,所述预测空间位置位于所述预设数值区间;
根据所述预测空间位置与所述数值,确定所述第一损失函数。
8.根据权利要求7所述的方法,其中,所述根据所述第一损失函数以及所述第二损失函数,确定目标损失函数,包括:
根据所述预测空间位置与所述标注空间位置之间的差异,确定所述第一损失函数的权重;
根据所述第一损失函数、所述权重以及所述第二损失函数,确定目标损失函数。
9.根据权利要求5-8任一项所述的方法,其中,所述第二子模型包括编码模块和解码模块,所述第一子模型与所述编码模块或所述解码模块连接。
10.一种语义分割装置,包括:
获取单元,被配置成获取三维影像;
切分单元,被配置成对所述三维影像进行切分,确定至少一个二维图像序列;
分割单元,被配置成根据所述至少一个二维图像序列以及预先训练的语义分割模型,确定各二维图像序列的语义分割结果,所述语义分割模型用于对二维图像进行语义分割;
确定单元,被配置成根据各二维图像序列的语义分割结果,确定所述三维影像的语义分割结果。
11.根据权利要求10所述的装置,其中,所述切分单元进一步被配置成:
从所述三维影像的至少一个视角进行切分,确定至少一个二维图像序列。
12.根据权利要求10或11所述的装置,其中,所述分割单元进一步被配置成:
分别将单个二维图像序列输入所述预先训练的语义分割模型,确定单个二维图像序列中各二维图像的语义分割结果;
将单个二维图像序列中每个二维图像的语义分割结果按照各二维图像在二维图像序列中的空间位置进行连接,得到各二维图像序列的语义分割结果。
13.根据权利要求11所述的装置,其中,所述确定单元进一步被配置成:
根据各二维图像序列的视角,对各二维图像序列的语义分割结果进行融合,得到所述三维影像的语义分割结果。
14.一种模型训练装置,包括:
样本获取单元,被配置成获取训练样本集合,所述训练样本集合中的各训练样本包括样本二维图像以及对应的标注空间位置、标注语义分割结果,所述训练样本集合中的至少两张样本二维图像属于同一三维影像的同一视角的二维图像序列;
模型训练单元,被配置成将所述训练样本集合中的各样本二维图像作为目标模型的输入,将所输入的样本二维图像对应的标注空间位置作为所述目标模型的第一子模型的期望输出,将所输入的样本二维图像对应的标注语义分割结果作为所述目标模型的第二子模型的期望输出,训练得到所述目标模型,所述第一子模型用于表征样本二维图像与空间位置的对应关系,所述第二子模型用于表征样本二维图像与语义分割结果的对应关系;
模型确定单元,被配置成将训练完成的第二子模型作为权利要求10~13所述的语义分割模型。
15.根据权利要求14所述的装置,其中,所述模型训练单元进一步被配置成:
将所述训练样本集合中的各样本二维图像作为目标模型的输入,根据所述第一子模型输出的预测空间位置与所输入的样本二维图像对应的标注空间位置,确定第一损失函数;
根据所述第二子模型输出的预测语义分割结果与所输入的样本二维图像对应的标注语义分割结果,确定第二损失函数;
根据所述第一损失函数以及所述第二损失函数,确定目标损失函数;
迭代调整所述第一子模型和所述第二子模型的参数,直至所述目标损失函数收敛。
16.根据权利要求15所述的装置,其中,所述模型训练单元进一步被配置成:
对所述标注空间位置进行处理,确定对应的位于预设数值区间的数值,所述预测空间位置位于所述预设数值区间;
根据所述预测空间位置与所述数值,确定所述第一损失函数。
17.根据权利要求15所述的装置,其中,所述模型训练单元进一步被配置成:
根据所述预测空间位置与所述标注空间位置之间的差异,确定所述第一损失函数的权重;
根据所述第一损失函数、所述权重以及所述第二损失函数,确定目标损失函数。
18.根据权利要求14-17任一项所述的装置,其中,所述第二子模型包括编码模块和解码模块,所述第一子模型与所述编码模块或所述解码模块连接。
19.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-4中任一项所述的方法或执行权利要求5-9中任一项所述的方法。
20.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-4中任一项所述的方法或执行权利要求5-9中任一项所述的方法。
21.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-4中任一项所述的方法或权利要求5-9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111157085.0A CN113920314B (zh) | 2021-09-30 | 2021-09-30 | 语义分割、模型训练方法,装置,设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111157085.0A CN113920314B (zh) | 2021-09-30 | 2021-09-30 | 语义分割、模型训练方法,装置,设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113920314A true CN113920314A (zh) | 2022-01-11 |
CN113920314B CN113920314B (zh) | 2022-09-02 |
Family
ID=79237327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111157085.0A Active CN113920314B (zh) | 2021-09-30 | 2021-09-30 | 语义分割、模型训练方法,装置,设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113920314B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114693934A (zh) * | 2022-04-13 | 2022-07-01 | 北京百度网讯科技有限公司 | 语义分割模型的训练方法、视频语义分割方法及装置 |
CN115546174A (zh) * | 2022-10-20 | 2022-12-30 | 数坤(北京)网络科技股份有限公司 | 图像处理方法、装置、计算设备及存储介质 |
WO2023160157A1 (zh) * | 2022-02-28 | 2023-08-31 | 腾讯科技(深圳)有限公司 | 三维医学图像的识别方法、装置、设备、存储介质及产品 |
CN118196108A (zh) * | 2024-05-20 | 2024-06-14 | 深圳大学 | 一种脑血管分割模型的训练方法、脑血管提取方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109446951A (zh) * | 2018-10-16 | 2019-03-08 | 腾讯科技(深圳)有限公司 | 三维图像的语义分割方法、装置、设备及存储介质 |
CN110853048A (zh) * | 2019-10-14 | 2020-02-28 | 北京缙铖医疗科技有限公司 | 基于粗、精训练的mri图像分割方法、装置和存储介质 |
US20200364554A1 (en) * | 2018-02-09 | 2020-11-19 | Baidu Usa Llc | Systems and methods for deep localization and segmentation with a 3d semantic map |
CN111968120A (zh) * | 2020-07-15 | 2020-11-20 | 电子科技大学 | 一种3d多特征融合的牙齿ct图像分割方法 |
CN111985518A (zh) * | 2020-02-18 | 2020-11-24 | 广东三维家信息科技有限公司 | 门窗检测方法及其模型训练的方法、装置 |
CN112017189A (zh) * | 2020-10-26 | 2020-12-01 | 腾讯科技(深圳)有限公司 | 图像分割方法、装置、计算机设备和存储介质 |
CN113361536A (zh) * | 2021-06-30 | 2021-09-07 | 北京百度网讯科技有限公司 | 图像语义分割模型训练、图像语义分割方法及相关装置 |
CN113362314A (zh) * | 2021-06-18 | 2021-09-07 | 北京百度网讯科技有限公司 | 医学图像识别方法、识别模型训练方法及装置 |
CN113393468A (zh) * | 2021-06-28 | 2021-09-14 | 北京百度网讯科技有限公司 | 图像处理方法、模型训练方法、装置和电子设备 |
-
2021
- 2021-09-30 CN CN202111157085.0A patent/CN113920314B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200364554A1 (en) * | 2018-02-09 | 2020-11-19 | Baidu Usa Llc | Systems and methods for deep localization and segmentation with a 3d semantic map |
CN109446951A (zh) * | 2018-10-16 | 2019-03-08 | 腾讯科技(深圳)有限公司 | 三维图像的语义分割方法、装置、设备及存储介质 |
CN110853048A (zh) * | 2019-10-14 | 2020-02-28 | 北京缙铖医疗科技有限公司 | 基于粗、精训练的mri图像分割方法、装置和存储介质 |
CN111985518A (zh) * | 2020-02-18 | 2020-11-24 | 广东三维家信息科技有限公司 | 门窗检测方法及其模型训练的方法、装置 |
CN111968120A (zh) * | 2020-07-15 | 2020-11-20 | 电子科技大学 | 一种3d多特征融合的牙齿ct图像分割方法 |
CN112017189A (zh) * | 2020-10-26 | 2020-12-01 | 腾讯科技(深圳)有限公司 | 图像分割方法、装置、计算机设备和存储介质 |
CN113362314A (zh) * | 2021-06-18 | 2021-09-07 | 北京百度网讯科技有限公司 | 医学图像识别方法、识别模型训练方法及装置 |
CN113393468A (zh) * | 2021-06-28 | 2021-09-14 | 北京百度网讯科技有限公司 | 图像处理方法、模型训练方法、装置和电子设备 |
CN113361536A (zh) * | 2021-06-30 | 2021-09-07 | 北京百度网讯科技有限公司 | 图像语义分割模型训练、图像语义分割方法及相关装置 |
Non-Patent Citations (2)
Title |
---|
HOJJAT SALEHINEJAD等: "CYLINDRICAL TRANSFORM: 3D SEMANTIC SEGMENTATION OF KIDNEYS WITH LIMITED ANNOTATED IMAGES", 《2018 IEEE GLOBAL CONFERENCE ON SIGNAL AND INFORMATION PROCESSING (GLOBALSIP)》 * |
姜枫等: "基于内容的图像分割方法综述", 《软件学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023160157A1 (zh) * | 2022-02-28 | 2023-08-31 | 腾讯科技(深圳)有限公司 | 三维医学图像的识别方法、装置、设备、存储介质及产品 |
CN114693934A (zh) * | 2022-04-13 | 2022-07-01 | 北京百度网讯科技有限公司 | 语义分割模型的训练方法、视频语义分割方法及装置 |
CN114693934B (zh) * | 2022-04-13 | 2023-09-01 | 北京百度网讯科技有限公司 | 语义分割模型的训练方法、视频语义分割方法及装置 |
CN115546174A (zh) * | 2022-10-20 | 2022-12-30 | 数坤(北京)网络科技股份有限公司 | 图像处理方法、装置、计算设备及存储介质 |
CN115546174B (zh) * | 2022-10-20 | 2023-09-08 | 数坤(北京)网络科技股份有限公司 | 图像处理方法、装置、计算设备及存储介质 |
CN118196108A (zh) * | 2024-05-20 | 2024-06-14 | 深圳大学 | 一种脑血管分割模型的训练方法、脑血管提取方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113920314B (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113920314B (zh) | 语义分割、模型训练方法,装置,设备以及存储介质 | |
CN113674421B (zh) | 3d目标检测方法、模型训练方法、相关装置及电子设备 | |
CN109858333B (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
WO2022257487A1 (zh) | 深度估计模型的训练方法, 装置, 电子设备及存储介质 | |
CN113362314B (zh) | 医学图像识别方法、识别模型训练方法及装置 | |
CN113239928B (zh) | 图像差异检测及模型训练的方法、设备及程序产品 | |
CN112862877A (zh) | 用于训练图像处理网络和图像处理的方法和装置 | |
CN110941978B (zh) | 一种未识别身份人员的人脸聚类方法、装置及存储介质 | |
CN112991180A (zh) | 图像拼接方法、装置、设备以及存储介质 | |
CN112562069A (zh) | 三维模型的构造方法、装置、设备和存储介质 | |
CN116109824A (zh) | 基于扩散模型的医学影像及像素级标注生成方法及装置 | |
WO2022143366A1 (zh) | 图像处理方法、装置、电子设备、介质及计算机程序产品 | |
CN114937025A (zh) | 图像分割方法、模型训练方法、装置、设备及介质 | |
CN113569855A (zh) | 一种舌象分割方法、设备及存储介质 | |
CN113052962A (zh) | 模型训练、信息输出方法,装置,设备以及存储介质 | |
CN114792355B (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
CN110827341A (zh) | 一种图片深度估计方法、装置和存储介质 | |
CN113361535B (zh) | 图像分割模型训练、图像分割方法及相关装置 | |
CN114549904A (zh) | 视觉处理及模型训练方法、设备、存储介质及程序产品 | |
CN113781653B (zh) | 对象模型生成方法、装置、电子设备及存储介质 | |
CN113706543B (zh) | 一种三维位姿的构建方法、设备及存储介质 | |
CN115375740A (zh) | 位姿确定方法和三维模型的生成方法、装置、设备、介质 | |
CN113610856A (zh) | 训练图像分割模型和图像分割的方法和装置 | |
CN114943995A (zh) | 人脸识别模型的训练方法、人脸识别方法及装置 | |
CN114842066A (zh) | 图像深度识别模型训练方法、图像深度识别方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |