CN114049491A - 指纹分割模型训练、指纹分割方法、装置、设备及介质 - Google Patents
指纹分割模型训练、指纹分割方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114049491A CN114049491A CN202111318551.9A CN202111318551A CN114049491A CN 114049491 A CN114049491 A CN 114049491A CN 202111318551 A CN202111318551 A CN 202111318551A CN 114049491 A CN114049491 A CN 114049491A
- Authority
- CN
- China
- Prior art keywords
- feature map
- fingerprint
- segmentation model
- characteristic diagram
- fingerprint segmentation
- 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.)
- Pending
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 186
- 238000012549 training Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000010586 diagram Methods 0.000 claims abstract description 114
- 238000012545 processing Methods 0.000 claims abstract description 76
- 238000000605 extraction Methods 0.000 claims abstract description 44
- 238000011176 pooling Methods 0.000 claims description 34
- 238000004891 communication Methods 0.000 claims description 20
- 238000010606 normalization Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 description 15
- 238000005070 sampling Methods 0.000 description 11
- 230000007246 mechanism Effects 0.000 description 10
- 238000003062 neural network model Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000013468 resource allocation 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了指纹分割模型训练、指纹分割方法、装置、设备及介质,所述方法包括:将训练集中的样本图像输入指纹分割模型,对样本图像进行卷积处理,得到第一特征图;基于通道注意力子模块对第一特征图进行特征提取,得到第二特征图;基于空间注意力子模块对第一特征图进行特征提取,得到第三特征图;对第二特征图和第三特征图进行合并,得到第四特征图;根据第四特征图确定样本图像中的训练指纹位置信息,根据训练指纹位置信息和样本图像中真实指纹位置信息确定损失值,基于损失值对指纹分割模型进行训练。结合了空间注意力以及通道注意力对于语义分割的相互影响关系,基于指纹分割模型能够得到更准确的指纹的位置信息。提高了指纹分割的准确性。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及指纹分割模型训练、指纹分割方法、装置、设备及介质。
背景技术
指纹识别作为一种基于生物特征的身份认证技术得到越来越广泛的应用。指纹分割的准确性直接影响指纹识别的准确性。现有技术在进行指纹图像分割时,一般是对图像进行两轮分割,第一轮分割采用灰度统计特征,分割阈值通过直方图确定;第二轮分割对纹路像素的分布进行分析,通过统计稀疏纹路像素而进行分割。最后利用开运算和闭运算对分割结果进行后处理得到分割后的指纹图像。现有技术存在的问题是,首先如果图像中像素点的灰度值变化较多时,通过灰度直方图确定分割阈值的准确性较差,其次仅通过灰度值进行指纹分割受到的噪声影响较大,这些都导致了现有技术指纹分割的准确性较差。
发明内容
本发明实施例提供了指纹分割模型训练、指纹分割方法、装置、设备及介质,用以解决现有技术指纹分割的准确性较差的问题。
第一方面,本发明实施例提供了一种指纹分割模型训练方法,所述方法包括:
将训练集中的样本图像输入指纹分割模型,基于所述指纹分割模型的卷积子模块对所述样本图像进行卷积处理,得到第一特征图;
基于所述指纹分割模型中的通道注意力子模块对所述第一特征图进行特征提取,得到第二特征图;基于所述指纹分割模型中的空间注意力子模块对所述第一特征图进行特征提取,得到第三特征图;对所述第二特征图和第三特征图进行合并,得到第四特征图;
根据所述第四特征图确定所述样本图像中的训练指纹位置信息,根据所述训练指纹位置信息和所述样本图像中真实指纹位置信息确定损失值,基于所述损失值对所述指纹分割模型进行训练。
第二方面,本发明实施例提供了一种指纹分割方法,所述方法包括:
获取待分割的图像;
将所述待分割的图像输入指纹分割模型,基于所述指纹分割模型的卷积子模块对所述待分割的图像进行卷积处理,得到第七特征图;
基于所述指纹分割模型中的通道注意力子模块对所述第七特征图进行特征提取,得到第八特征图;基于所述指纹分割模型中的空间注意力子模块对所述第七特征图进行特征提取,得到第九特征图;对所述第八特征图和第九特征图进行合并,得到第十特征图;根据所述第十特征图确定所述待分割的图像中的指纹位置信息。
第三方面,本发明实施例提供了一种指纹分割模型训练装置,所述装置包括:
卷积处理模块,用于将训练集中的样本图像输入指纹分割模型,基于所述指纹分割模型的卷积子模块对所述样本图像进行卷积处理,得到第一特征图;
注意力处理模块,用于基于所述指纹分割模型中的通道注意力子模块对所述第一特征图进行特征提取,得到第二特征图;基于所述指纹分割模型中的空间注意力子模块对所述第一特征图进行特征提取,得到第三特征图;对所述第二特征图和第三特征图进行合并,得到第四特征图;
训练模块,用于根据所述第四特征图确定所述样本图像中的训练指纹位置信息,根据所述训练指纹位置信息和所述样本图像中真实指纹位置信息确定损失值,基于所述损失值对所述指纹分割模型进行训练。
第四方面,本发明实施例提供了一种指纹分割装置,所述装置包括:
获取模块,用于获取待分割的图像;
处理模块,用于将所述待分割的图像输入指纹分割模型,基于所述指纹分割模型的卷积子模块对所述待分割的图像进行卷积处理,得到第七特征图;
确定模块,用于基于所述指纹分割模型中的通道注意力子模块对所述第七特征图进行特征提取,得到第八特征图;基于所述指纹分割模型中的空间注意力子模块对所述第七特征图进行特征提取,得到第九特征图;对所述第八特征图和第九特征图进行合并,得到第十特征图;根据所述第十特征图确定所述待分割的图像中的指纹位置信息。
第五方面,本发明实施例提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现指纹分割模型训练方法步骤,或实现指纹分割方法步骤。
第六方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现指纹分割模型训练方法步骤,或实现指纹分割方法步骤。
本发明实施例提供了指纹分割模型训练、指纹分割方法、装置、设备及介质,所述方法包括:将训练集中的样本图像输入指纹分割模型,基于所述指纹分割模型的卷积子模块对所述样本图像进行卷积处理,得到第一特征图;基于所述指纹分割模型中的通道注意力子模块对所述第一特征图进行特征提取,得到第二特征图;基于所述指纹分割模型中的空间注意力子模块对所述第一特征图进行特征提取,得到第三特征图;对所述第二特征图和第三特征图进行合并,得到第四特征图;根据所述第四特征图确定所述样本图像中的训练指纹位置信息,根据所述训练指纹位置信息和所述样本图像中真实指纹位置信息确定损失值,基于所述损失值对所述指纹分割模型进行训练。
上述的技术方案具有如下优点或有益效果:
本发明实施例中,在训练指纹分割模型时,对样本图像进行卷积处理,得到第一特征图之后,分别基于通道注意力子模块对第一特征图进行特征提取,得到第二特征图,基于指纹分割模型中的空间注意力子模块对第一特征图进行特征提取,得到第三特征图。然后对第二特征图和第三特征图进行合并,得到第四特征图。进而根据第四特征图确定样本图像中的训练指纹位置信息,以及模型训练损失值,最终完成对指纹分割模型的训练。本发明实施例结合了空间注意力以及通道注意力对于语义分割的相互影响关系,采用了并联的方式处理特征图,对指纹图像的不同空间位置的不同特征值进行更有效的关联。因此,基于指纹分割模型能够得到更准确的指纹的位置信息。提高了指纹分割的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的指纹分割模型训练过程示意图;
图2为本发明实施例提供的UNET神经网络模型结构示意图;
图3为本发明实施例提供的指纹分割模型结构示意图;
图4为本发明实施例提供的注意力机制模块工作流程示意图;
图5为本发明实施例提供的通道注意力子模块工作流程示意图;
图6为本发明实施例提供的空间注意力子模块工作流程示意图;
图7为本发明实施例提供的指纹分割过程示意图;
图8为本发明实施例提供的指纹分割模型训练装置结构示意图;
图9为本发明实施例提供的指纹分割装置结构示意图;
图10为本发明实施例提供的电子设备结构示意图。
具体实施方式
下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例1:
图1为本发明实施例提供的指纹分割模型训练过程示意图,该过程包括以下步骤:
S101:将训练集中的样本图像输入指纹分割模型,基于所述指纹分割模型的卷积子模块对所述样本图像进行卷积处理,得到第一特征图。
S102:基于所述指纹分割模型中的通道注意力子模块对所述第一特征图进行特征提取,得到第二特征图;基于所述指纹分割模型中的空间注意力子模块对所述第一特征图进行特征提取,得到第三特征图;对所述第二特征图和第三特征图进行合并,得到第四特征图。
S103:根据所述第四特征图确定所述样本图像中的训练指纹位置信息,根据所述训练指纹位置信息和所述样本图像中真实指纹位置信息确定损失值,基于所述损失值对所述指纹分割模型进行训练。
本发明实施例提供的指纹分割模型训练方法应用于电子设备,该电子设备可以是PC、平板电脑、服务器等设备。
在训练指纹分割模型时,首先会初始化得到一组指纹分割模型中的各个参数。将训练集中的样本图像输入指纹分割模型之后,指纹分割模型基于初始化的参数对样本图像进行处理,得到第一特征图。其中,可以是基于指纹分割模型的卷积子模块对样本图像进行卷积处理,得到第一特征图。
指纹分割模型中包括注意力机制模块,其中,注意力机制模块包括通道注意力子模块和空间注意力子模块。通道注意力子模块和空间注意力子模块对第一特征图进行并行处理。具体的基于指纹分割模型中的通道注意力子模块对第一特征图进行特征提取,得到第二特征图;基于指纹分割模型中的空间注意力子模块对第一特征图进行特征提取,得到第三特征图。然后对第二特征图和第三特征图进行合并,得到第四特征图。其中,对第二特征图和第三特征图进行合并可以是将第二特征图和第三特征图对应位置的特征值进行相加,得到合并后的第四特征图。
根据第四特征图确定样本图像中的训练指纹位置信息,样本图像具有真实指纹位置信息,根据训练指纹位置信息和样本图像中真实指纹位置信息确定损失值。根据损失值调整指纹分割模型的参数,继续训练,直至收敛。
本发明实施例中,在训练指纹分割模型时,对样本图像进行卷积处理,得到第一特征图之后,分别基于通道注意力子模块对第一特征图进行特征提取,得到第二特征图,基于指纹分割模型中的空间注意力子模块对第一特征图进行特征提取,得到第三特征图。然后对第二特征图和第三特征图进行合并,得到第四特征图。进而根据第四特征图确定样本图像中的训练指纹位置信息,以及模型训练损失值,最终完成对指纹分割模型的训练。本发明实施例结合了空间注意力以及通道注意力对于语义分割的相互影响关系,采用了并联的方式处理特征图,对指纹图像的不同空间位置的不同特征值进行更有效的关联。因此,基于指纹分割模型能够得到更准确的指纹的位置信息。提高了指纹分割的准确性。
本发明实施例中的注意力机制、通道注意力和空间注意力理解如下:
注意力机制:源于对人类视觉的研究。在认知科学中,由于信息处理的瓶颈,人类会选择性地关注所有信息的一部分,同时忽略其他可见的信息。神经注意力机制可以使得神经网络具备专注于其输入(或特征)子集的能力:选择特定的输入。注意力可以应用于任何类型的输入而不管其形状如何。在计算能力有限情况下,注意力机制是解决信息超载问题的主要手段的一种资源分配方案,将计算资源分配给更重要的任务。
通道注意力:可以理解为让神经网络在看什么。卷积网络的每一层都存在卷积核。每个卷积核对应一个特征通道。通道注意力目的在于分配各个卷积通道之间的资源。在本发明涉及的图片中,每一张图片初始会由(R,G,B)三通道表示出来,之后经过不同的卷积核之后,每一个通道又会生成新的信号,比如图片特征的每个通道使用64核卷积,就会产生64个新通道的矩阵(H,W,64),H,W分别表示图片特征的高度和宽度。既然每个信号都可以被分解成核函数上的分量,产生的新的64个通道对于关键信息的贡献肯定有多有少,如果我们给每个通道上的信号都增加一个权重,来代表该通道与关键信息的相关度的话,这个权重越大,则表示相关度越高。
每个通道的特征其实就表示该图片在不同卷积核上的分量,类似于时频变换,而这里面用卷积核的卷积类似于信号做了傅里叶变换,从而能够将这个特征一个通道的信息给分解成64个卷积核上的信号分量。
空间注意力:可以理解为让神经网络看哪里,保留了原始图片的空间信息。在本专利涉及的图片中,空间注意力关注图片的宽度和高度信息,本质是定位目标并进行一些变换以及获取权重。
卷积:是一种通过两个函数[a]和[b]生成第三个函数[c]的一种数学算子,公式表示如下。通常将函数[a]称为输入(input),函数[b]称为卷积核(kernel),函数[c]称为特征图谱(feature map)。公式如下所示:C(t)=A(t)*B(t)。
本发明实施例提供的指纹分割模型包括卷积子模块、下采样层和上采样层,在所述下采样层以及上采样层之前均布置通道注意力子模块和空间注意力子模块。其中,指纹分割模型可以包括UNET神经网络模型、通道注意力子模块和空间注意力子模块,图2为UNET神经网络模型结构示意图。如图2所示,UNET神经网络模型包括依次连接的9个卷积子模块,分别是第一卷积子模块至第九卷积子模块。第一卷积子模块至第四卷积子模块包括下采样层,第五卷积子模块至第八卷积子模块包括上采样层。第一卷积子模块输出结果下采样后传输至第二卷积子模块,第二卷积子模块输出结果下采样后传输至第三卷积子模块,第三卷积子模块输出结果下采样后传输至第四卷积子模块,第四卷积子模块输出结果下采样后传输至第五卷积子模块,第五卷积子模块输出结果上采样后传输至第六卷积子模块,第六卷积子模块输出结果上采样后传输至第七卷积子模块,第七卷积子模块输出结果上采样后传输至第八卷积子模块,第八卷积子模块输出结果上采样后传输至第九卷积子模块。并且,第一卷积子模块的输出结果与第八卷积子模块上采样后的输出结果作为第九卷积子模块的输入。第二卷积子模块的输出结果与第七卷积子模块上采样后的输出结果作为第八卷积子模块的输入。第三卷积子模块的输出结果与第六卷积子模块上采样后的输出结果作为第七卷积子模块的输入。第四卷积子模块的输出结果与第五卷积子模块上采样后的输出结果作为第六卷积子模块的输入。
本发明实施例提供的指纹分割模型在UNET神经网络模型的基础上进行了改进。具体的,如图3所示,在UNET神经网络模型的下采样层以及上采样层之前均布置通道注意力子模块和空间注意力子模块。
本发明实施例中,如图4所示,在UNET神经网络模型的下采样层以及上采样层之前均布置注意力机制模块,注意力机制模块包括通道注意力子模块和空间注意力子模块,注意力机制模块通过通道注意力子模块和空间注意力子模块以并行的方式处理同一张特征图,也就是以两个不同的注意力模块分别处理源特征图,并得到两个新特征图,再对两个新特征图进行合并输出至下一卷积子模块。
具体的,所述基于所述指纹分割模型中的通道注意力子模块对所述第一特征图进行特征提取,得到第二特征图包括:
基于所述指纹分割模型中的通道注意力子模块对所述第一特征图进行最大池化处理,卷积处理和归一化处理,得到第五特征图,将所述第五特征图作为第二特征图。
最大池化操作:是将输入的图像划分为若干个矩形区域,对每个子区域输出最大值。其数学定义如下:
Y代表了与第k个特征图有关的在矩形区域R(i,j)的最大池化输出值,X表示了矩形区域R(i,j)中的各元素。
本发明实施例中,将输入到通道注意力子模块以及空间注意力子模块的源特征图称为统称为第一特征图。通道注意力子模块的具体处理过程为,对接收到的第一特征图依次进行最大池化处理、卷积处理和归一化处理,输出第二特征图。
为了提高通道注意力子模块对第一特征图的全局信息提取能力,较佳的,将所述第五特征图作为第二特征图包括:对所述第一特征图和第五特征图进行合并,将合并结果作为第二特征图。
为了进一步提高通道注意力子模块对第一特征图的全局信息提取能力,较佳的,对所述第一特征图进行最大池化处理,卷积处理和归一化处理,得到第五特征图包括:对所述第一特征图进行最大池化处理和第一卷积处理,压缩所述第一特征图的通道特征;对第一卷积处理后的特征图进行第二卷积处理,恢复第一卷积处理后的特征图的通道特征;对第二卷积处理后的特征图进行归一化处理,得到第五特征图。
图5为本发明实施例提供的通道注意力子模块工作流程示意图。如图5所示,对源特征图基于空间维度做了一次最大池化操作,把特征图空间纬度降到一维。对特征图进行第一次卷积,压缩特征图的通道特征。对特征图第二次卷积以及归一化操作,得到对应的特征图掩码,恢复特征图的通道特征。合并源特征图以及注意力特征图掩码,重新校准得到新特征图。
合并特征图:注意力掩码和特征图系数相乘,得到新的特征图。
压缩特征图:通过卷积的方式使得特征向量纬度下降。当卷积核个数小于输入的通道数目时,则会降低矩阵纬度。举例操作:1*1*32与1*1*16的卷积核卷积,得到新的1*1*16纬度的矩阵。
恢复特征图:通过卷积的方式使得特征向量纬度恢复到原来的大小。与压缩特征值的原理类似,当卷积核个数大于输入的通道数目时,则会升高矩阵纬度。
归一化操作:归一化就是要把需要处理的数据经过处理后(通过某种算法)限制在你需要的一定范围内。在本专利中,归一化操作是把具体的值归纳为0-1之间的概率分布。
如下面公式定义:
通过处理后把有量纲的表达式转换为了无量纲的表达式,变为纯量,提高不同数据指标之间的可比性。
所述基于所述指纹分割模型中的空间注意力子模块对所述第一特征图进行特征提取,得到第三特征图包括:
基于所述指纹分割模型中的空间注意力子模块对所述第一特征图进行池化处理,卷积处理和归一化处理,得到第六特征图,将所述第六特征图作为第三特征图。
空间注意力子模块对第一特征图进行处理的具体过程为:空间注意力子模块对所述第一特征图依次进行池化处理、卷积处理和归一化处理,得到第三特征图。
为了提高空间注意力子模块对第一特征图的空间上点与点信息提取能力,较佳的,基于所述指纹分割模型中的空间注意力子模块对所述第一特征图进行池化处理包括:
基于所述指纹分割模型中的空间注意力子模块分别对所述第一特征图进行最大池化处理和平均池化处理,将最大池化处理和平均池化处理后的特征图进行通道数拼接。
平均池化操作:是将输入的图像划分为若干个矩形区域,对每个子区域输出所有元素的平均值。如下面公式定义:
Y代表了与第k个特征图有关的在矩形区域R(i,j)的平局池化输出值,X表示了矩形区域R(i,j)中的各元素。
拼接解释如下:把两张特征图基于通道数叠加,可以理解为描述图像本身的特征数增加了,特征下的信息没有增加。在本专利的拼接操作中是把两张(H,W,1)特征图叠加为(H,W,2)的特征图。
为了进一步提高空间注意力子模块对第一特征图的空间上点与点信息提取能力,较佳的,将所述第六特征图作为第三特征图包括:
对所述第一特征图和第六特征图进行合并,将合并的结果作为第三特征图。
图6为本发明实施例提供的空间注意力子模块工作流程示意图。如图6所示,对源特征图进行两次不同的池化操作,分别为最大池化和平均池化,将两特征图基于通道数拼接成单一特征图。对单一特征图进行卷积操作以及归一化操作,得到对应的特征图掩码。合并源特征图以及注意力特征图掩码,重新校准得到新特征图。
本发明实施例既考量了通道注意力子模块:其将一个通道内的信息进行全局处理;又考量了空间注意力子模块:主要注重的是空间上的点与点信息的相互联系。另外,注意力机制模块采取并联叠加的形式好处是降低了空间注意力和通道注意力相互影响的可能性,对图像中的不同位置中的不同特征值进行相互关联。
实施例2:
图7为本发明实施例提供的指纹分割过程示意图,该过程包括以下步骤:
S201:获取待分割的图像。
S202:将所述待分割的图像输入指纹分割模型,基于所述指纹分割模型的卷积子模块对所述待分割的图像进行卷积处理,得到第七特征图。
S203:基于所述指纹分割模型中的通道注意力子模块对所述第七特征图进行特征提取,得到第八特征图;基于所述指纹分割模型中的空间注意力子模块对所述第七特征图进行特征提取,得到第九特征图;对所述第八特征图和第九特征图进行合并,得到第十特征图;根据所述第十特征图确定所述待分割的图像中的指纹位置信息。
本发明实施例提供的指纹分割方法应用于电子设备,该电子设备可以是PC、平板电脑等设备。
用于指纹分割模型训练的电子设备与对待分割的图像进行指纹分割的电子设备可以是同一个电子设备,也可以是不同的电子设备。
实施例3:
图8为本发明实施例提供的指纹分割模型训练装置结构示意图,该装置包括:
卷积处理模块81,用于将训练集中的样本图像输入指纹分割模型,基于所述指纹分割模型的卷积子模块对所述样本图像进行卷积处理,得到第一特征图;
注意力处理模块82,用于基于所述指纹分割模型中的通道注意力子模块对所述第一特征图进行特征提取,得到第二特征图;基于所述指纹分割模型中的空间注意力子模块对所述第一特征图进行特征提取,得到第三特征图;对所述第二特征图和第三特征图进行合并,得到第四特征图;
训练模块83,用于根据所述第四特征图确定所述样本图像中的训练指纹位置信息,根据所述训练指纹位置信息和所述样本图像中真实指纹位置信息确定损失值,基于所述损失值对所述指纹分割模型进行训练。
所示注意力处理模块82,具体用于基于所述指纹分割模型中的通道注意力子模块对所述第一特征图进行最大池化处理,卷积处理和归一化处理,得到第五特征图,将所述第五特征图作为第二特征图。
所示注意力处理模块82,具体用于对所述第一特征图和第五特征图进行合并,将合并的结果作为第二特征图。
所示注意力处理模块82,具体用于对所述第一特征图进行最大池化处理和第一卷积处理,压缩所述第一特征图的通道特征;对第一卷积处理后的特征图进行第二卷积处理,恢复第一卷积处理后的特征图的通道特征;对第二卷积处理后的特征图进行归一化处理,得到第五特征图。
所示注意力处理模块82,具体用于基于所述指纹分割模型中的空间注意力子模块对所述第一特征图进行池化处理,卷积处理和归一化处理,得到第六特征图,将所述第六特征图作为第三特征图。
所示注意力处理模块82,具体用于基于所述指纹分割模型中的空间注意力子模块分别对所述第一特征图进行最大池化处理和平均池化处理,将最大池化处理和平均池化处理后的特征图进行通道数拼接。
所示注意力处理模块82,具体用于对所述第一特征图和第六特征图进行合并,将合并的结果作为第三特征图。
实施例4:
图9为本发明实施例提供的指纹分割装置结构示意图,该装置包括:
获取模块91,用于获取待分割的图像;
处理模块92,用于将所述待分割的图像输入指纹分割模型,基于所述指纹分割模型的卷积子模块对所述待分割的图像进行卷积处理,得到第七特征图;
确定模块93,用于基于所述指纹分割模型中的通道注意力子模块对所述第七特征图进行特征提取,得到第八特征图;基于所述指纹分割模型中的空间注意力子模块对所述第七特征图进行特征提取,得到第九特征图;对所述第八特征图和第九特征图进行合并,得到第十特征图;根据所述第十特征图确定所述待分割的图像中的指纹位置信息。
实施例5:
在上述各实施例的基础上,本发明实施例中还提供了一种电子设备,如图10所示,包括:处理器301、通信接口302、存储器303和通信总线304,其中,处理器301,通信接口302,存储器303通过通信总线304完成相互间的通信;
所述存储器303中存储有计算机程序,当所述程序被所述处理器301执行时,使得所述处理器301执行如下步骤:
将训练集中的样本图像输入指纹分割模型,基于所述指纹分割模型的卷积子模块对所述样本图像进行卷积处理,得到第一特征图;
基于所述指纹分割模型中的通道注意力子模块对所述第一特征图进行特征提取,得到第二特征图;基于所述指纹分割模型中的空间注意力子模块对所述第一特征图进行特征提取,得到第三特征图;对所述第二特征图和第三特征图进行合并,得到第四特征图;
根据所述第四特征图确定所述样本图像中的训练指纹位置信息,根据所述训练指纹位置信息和所述样本图像中真实指纹位置信息确定损失值,基于所述损失值对所述指纹分割模型进行训练。
基于同一发明构思,本发明实施例中还提供了一种电子设备,由于上述电子设备解决问题的原理与指纹分割模型训练方法相似,因此上述电子设备的实施可以参见方法的实施,重复之处不再赘述。
实施例6:
在上述各实施例的基础上,本发明实施例还提供了一种计算机存储可读存储介质,所述计算机可读存储介质内存储有可由电子设备执行的计算机程序,当所述程序在所述电子设备上运行时,使得所述电子设备执行时实现如下步骤:
将训练集中的样本图像输入指纹分割模型,基于所述指纹分割模型的卷积子模块对所述样本图像进行卷积处理,得到第一特征图;
基于所述指纹分割模型中的通道注意力子模块对所述第一特征图进行特征提取,得到第二特征图;基于所述指纹分割模型中的空间注意力子模块对所述第一特征图进行特征提取,得到第三特征图;对所述第二特征图和第三特征图进行合并,得到第四特征图;
根据所述第四特征图确定所述样本图像中的训练指纹位置信息,根据所述训练指纹位置信息和所述样本图像中真实指纹位置信息确定损失值,基于所述损失值对所述指纹分割模型进行训练。
基于同一发明构思,本发明实施例中还提供了一种计算机可读存储介质,由于处理器在执行上述计算机可读存储介质上存储的计算机程序时解决问题的原理与指纹分割模型训练方法相似,因此处理器在执行上述计算机可读存储介质存储的计算机程序的实施可以参见方法的实施,重复之处不再赘述。
实施例7:
在上述各实施例的基础上,本发明实施例中还提供了一种电子设备,包括:处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
所述存储器中存储有计算机程序,当所述程序被所述处理器执行时,使得所述处理器执行如下步骤:
获取待分割的图像;
将所述待分割的图像输入指纹分割模型,基于所述指纹分割模型的卷积子模块对所述待分割的图像进行卷积处理,得到第七特征图;
基于所述指纹分割模型中的通道注意力子模块对所述第七特征图进行特征提取,得到第八特征图;基于所述指纹分割模型中的空间注意力子模块对所述第七特征图进行特征提取,得到第九特征图;对所述第八特征图和第九特征图进行合并,得到第十特征图;根据所述第十特征图确定所述待分割的图像中的指纹位置信息。
基于同一发明构思,本发明实施例中还提供了一种电子设备,由于上述电子设备解决问题的原理与指纹分割方法相似,因此上述电子设备的实施可以参见方法的实施,重复之处不再赘述。本发明实施例提供的电子设备的结构与上述实施例中执行指纹分割模型训练的电子设备的结构类似,在此不再对电子设备的结构进行赘述。
实施例8:
在上述各实施例的基础上,本发明实施例还提供了一种计算机存储可读存储介质,所述计算机可读存储介质内存储有可由电子设备执行的计算机程序,当所述程序在所述电子设备上运行时,使得所述电子设备执行时实现如下步骤:
获取待分割的图像;
将所述待分割的图像输入指纹分割模型,基于所述指纹分割模型的卷积子模块对所述待分割的图像进行卷积处理,得到第七特征图;
基于所述指纹分割模型中的通道注意力子模块对所述第七特征图进行特征提取,得到第八特征图;基于所述指纹分割模型中的空间注意力子模块对所述第七特征图进行特征提取,得到第九特征图;对所述第八特征图和第九特征图进行合并,得到第十特征图;根据所述第十特征图确定所述待分割的图像中的指纹位置信息。
基于同一发明构思,本发明实施例中还提供了一种计算机可读存储介质,由于处理器在执行上述计算机可读存储介质上存储的计算机程序时解决问题的原理与指纹分割方法相似,因此处理器在执行上述计算机可读存储介质存储的计算机程序的实施可以参见方法的实施,重复之处不再赘述。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (13)
1.一种指纹分割模型训练方法,其特征在于,所述方法包括:
将训练集中的样本图像输入指纹分割模型,基于所述指纹分割模型的卷积子模块对所述样本图像进行卷积处理,得到第一特征图;
基于所述指纹分割模型中的通道注意力子模块对所述第一特征图进行特征提取,得到第二特征图;基于所述指纹分割模型中的空间注意力子模块对所述第一特征图进行特征提取,得到第三特征图;对所述第二特征图和第三特征图进行合并,得到第四特征图;
根据所述第四特征图确定所述样本图像中的训练指纹位置信息,根据所述训练指纹位置信息和所述样本图像中真实指纹位置信息确定损失值,基于所述损失值对所述指纹分割模型进行训练。
2.如权利要求1所述的方法,其特征在于,所述基于所述指纹分割模型中的通道注意力子模块对所述第一特征图进行特征提取,得到第二特征图包括:
基于所述指纹分割模型中的通道注意力子模块对所述第一特征图进行最大池化处理,卷积处理和归一化处理,得到第五特征图,将所述第五特征图作为第二特征图。
3.如权利要求2所述的方法,其特征在于,将所述第五特征图作为第二特征图包括:
对所述第一特征图和第五特征图进行合并,将合并的结果作为第二特征图。
4.如权利要求2所述的方法,其特征在于,对所述第一特征图进行最大池化处理,卷积处理和归一化处理,得到第五特征图包括:
对所述第一特征图进行最大池化处理和第一卷积处理,压缩所述第一特征图的通道特征;对第一卷积处理后的特征图进行第二卷积处理,恢复第一卷积处理后的特征图的通道特征;对第二卷积处理后的特征图进行归一化处理,得到第五特征图。
5.如权利要求1所述的方法,其特征在于,所述基于所述指纹分割模型中的空间注意力子模块对所述第一特征图进行特征提取,得到第三特征图包括:
基于所述指纹分割模型中的空间注意力子模块对所述第一特征图进行池化处理,卷积处理和归一化处理,得到第六特征图,将所述第六特征图作为第三特征图。
6.如权利要求5所述的方法,其特征在于,基于所述指纹分割模型中的空间注意力子模块对所述第一特征图进行池化处理包括:
基于所述指纹分割模型中的空间注意力子模块分别对所述第一特征图进行最大池化处理和平均池化处理,将最大池化处理和平均池化处理后的特征图进行通道数拼接。
7.如权利要求5所述的方法,其特征在于,将所述第六特征图作为第三特征图包括:
对所述第一特征图和第六特征图进行合并,将合并的结果作为第三特征图。
8.如权利要求1所述的方法,其特征在于,所述指纹分割模型包括卷积子模块、下采样层和上采样层,在所述下采样层以及上采样层之前均布置通道注意力子模块和空间注意力子模块。
9.一种基于权利要求1至8任一项所述的方法训练得到的指纹分割模型的指纹分割方法,其特征在于,所述方法包括:
获取待分割的图像;
将所述待分割的图像输入指纹分割模型,基于所述指纹分割模型的卷积子模块对所述待分割的图像进行卷积处理,得到第七特征图;
基于所述指纹分割模型中的通道注意力子模块对所述第七特征图进行特征提取,得到第八特征图;基于所述指纹分割模型中的空间注意力子模块对所述第七特征图进行特征提取,得到第九特征图;对所述第八特征图和第九特征图进行合并,得到第十特征图;根据所述第十特征图确定所述待分割的图像中的指纹位置信息。
10.一种指纹分割模型训练装置,其特征在于,所述装置包括:
卷积处理模块,用于将训练集中的样本图像输入指纹分割模型,基于所述指纹分割模型的卷积子模块对所述样本图像进行卷积处理,得到第一特征图;
注意力处理模块,用于基于所述指纹分割模型中的通道注意力子模块对所述第一特征图进行特征提取,得到第二特征图;基于所述指纹分割模型中的空间注意力子模块对所述第一特征图进行特征提取,得到第三特征图;对所述第二特征图和第三特征图进行合并,得到第四特征图;
训练模块,用于根据所述第四特征图确定所述样本图像中的训练指纹位置信息,根据所述训练指纹位置信息和所述样本图像中真实指纹位置信息确定损失值,基于所述损失值对所述指纹分割模型进行训练。
11.一种指纹分割装置,其特征在于,所述装置包括:
获取模块,用于获取待分割的图像;
处理模块,用于将所述待分割的图像输入指纹分割模型,基于所述指纹分割模型的卷积子模块对所述待分割的图像进行卷积处理,得到第七特征图;
确定模块,用于基于所述指纹分割模型中的通道注意力子模块对所述第七特征图进行特征提取,得到第八特征图;基于所述指纹分割模型中的空间注意力子模块对所述第七特征图进行特征提取,得到第九特征图;对所述第八特征图和第九特征图进行合并,得到第十特征图;根据所述第十特征图确定所述待分割的图像中的指纹位置信息。
12.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-8任一项所述的指纹分割模型训练方法步骤,或实现权利要求9所述的指纹分割方法步骤。
13.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-8任一项所述的指纹分割模型训练方法步骤,或实现权利要求9的指纹分割方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111318551.9A CN114049491A (zh) | 2021-11-09 | 2021-11-09 | 指纹分割模型训练、指纹分割方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111318551.9A CN114049491A (zh) | 2021-11-09 | 2021-11-09 | 指纹分割模型训练、指纹分割方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114049491A true CN114049491A (zh) | 2022-02-15 |
Family
ID=80207630
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111318551.9A Pending CN114049491A (zh) | 2021-11-09 | 2021-11-09 | 指纹分割模型训练、指纹分割方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114049491A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115496744A (zh) * | 2022-10-17 | 2022-12-20 | 上海生物芯片有限公司 | 基于混合注意力的肺癌图像分割方法、装置、终端及介质 |
CN115690592A (zh) * | 2023-01-05 | 2023-02-03 | 阿里巴巴(中国)有限公司 | 图像处理方法和模型训练方法 |
-
2021
- 2021-11-09 CN CN202111318551.9A patent/CN114049491A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115496744A (zh) * | 2022-10-17 | 2022-12-20 | 上海生物芯片有限公司 | 基于混合注意力的肺癌图像分割方法、装置、终端及介质 |
CN115690592A (zh) * | 2023-01-05 | 2023-02-03 | 阿里巴巴(中国)有限公司 | 图像处理方法和模型训练方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11734851B2 (en) | Face key point detection method and apparatus, storage medium, and electronic device | |
US11551333B2 (en) | Image reconstruction method and device | |
CN110188795B (zh) | 图像分类方法、数据处理方法和装置 | |
US10891537B2 (en) | Convolutional neural network-based image processing method and image processing apparatus | |
EP3923233A1 (en) | Image denoising method and apparatus | |
CN112288011B (zh) | 一种基于自注意力深度神经网络的图像匹配方法 | |
CN111860398B (zh) | 遥感图像目标检测方法、***及终端设备 | |
CN111340077B (zh) | 基于注意力机制的视差图获取方法和装置 | |
CN110765860A (zh) | 摔倒判定方法、装置、计算机设备及存储介质 | |
CN113191489B (zh) | 二值神经网络模型的训练方法、图像处理方法和装置 | |
Yue et al. | A novel attention fully convolutional network method for synthetic aperture radar image segmentation | |
CN111696038A (zh) | 图像超分辨率方法、装置、设备及计算机可读存储介质 | |
CN114049491A (zh) | 指纹分割模型训练、指纹分割方法、装置、设备及介质 | |
CN110222718A (zh) | 图像处理的方法及装置 | |
Ren et al. | Enhanced non-local total variation model and multi-directional feature prediction prior for single image super resolution | |
CN114612681A (zh) | 基于gcn的多标签图像分类方法、模型构建方法及装置 | |
CN114529750A (zh) | 图像分类方法、装置、设备及存储介质 | |
CN111914809B (zh) | 目标对象定位方法、图像处理方法、装置和计算机设备 | |
US20230060988A1 (en) | Image processing device and method | |
CN113591838B (zh) | 目标检测方法、装置、电子设备和存储介质 | |
CN117036658A (zh) | 一种图像处理方法及相关设备 | |
CN113610856A (zh) | 训练图像分割模型和图像分割的方法和装置 | |
JP2019125128A (ja) | 情報処理装置、制御方法、及びプログラム | |
Yang et al. | Semantic segmentation of remote sensing image based on two-time augmentation and atrous convolution | |
CN113095211B (zh) | 一种图像处理方法、***及电子设备 |
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 |