CN117876384A - 目标对象实例分割、模型训练方法及相关产品 - Google Patents
目标对象实例分割、模型训练方法及相关产品 Download PDFInfo
- Publication number
- CN117876384A CN117876384A CN202311779857.3A CN202311779857A CN117876384A CN 117876384 A CN117876384 A CN 117876384A CN 202311779857 A CN202311779857 A CN 202311779857A CN 117876384 A CN117876384 A CN 117876384A
- Authority
- CN
- China
- Prior art keywords
- segmentation
- target object
- image
- object instance
- result
- 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 451
- 238000012549 training Methods 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000002372 labelling Methods 0.000 claims abstract description 48
- 238000012797 qualification Methods 0.000 claims abstract description 32
- 230000005284 excitation Effects 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 11
- 238000003709 image segmentation Methods 0.000 claims description 9
- 230000000750 progressive effect Effects 0.000 abstract 2
- 238000012545 processing Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000000265 homogenisation Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000001000 micrograph Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000008506 pathogenesis Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本公开提供一种目标对象实例分割、模型训练方法及相关产品,包括获取无标注图像集合;对各无标注图像进行粗分割;删除各初步分割结果中,尺寸不符合第一预设规则的分割结果;根据第二预设规则,确定各进阶分割结果的分割质量合格率;将各进阶分割结果中分割质量合格率不小于预设合格率的进阶分割结果和相应无标注图像,分别作为训练数据中的标注分割结果和样本图像,生成训练数据集中的训练数据;基于训练数据集对初始目标对象实例分割模型进行训练,得到训练后的目标对象实例分割模型。这样,运用预设规则对粗分割结果筛选后对初始目标对象实例分割模型进行训练,无需手动对无标注图像进行标注,可以提升模型训练效率。
Description
技术领域
本公开的实施例涉及图像处理技术领域,具体涉及目标对象实例分割方法、装置及目标对象实例分割模型训练方法、装置、电子设备、存储介质。
背景技术
在细胞生物学和医学领域,目标对象实例分割是非常重要的,因为它可以帮助科学家们研究细胞的形态、结构和功能,从而,促进对疾病发病机制的理解和治疗方法的发展。
要实现高性能的目标对象实例分割,需要先利用深度学习,对目标对象实例分割模型进行训练。但利用深度学习,对目标对象实例分割模型进行训练的前提,需要先对目标对象(例如细胞)进行一定的标注。在目标对象尺寸较小,数量较多时,手动标注的过程较为复杂,效率较低,会影响模型训练的效率。同时,在不同的场景下,细胞形态的差异会导致重复标注的过程,这会进一步降低标注和模型训练的效率。
因此,如何提升目标对象实例分割模型的训练效率,是本领域技术人员亟需解决的技术问题。
发明内容
本公开的实施例提出了目标对象实例分割及模型训练方法、装置、电子设备和存储介质。
第一方面,本公开的实施例提供了一种目标对象实例分割模型训练方法,该方法包括:
获取无标注图像集合;
对各上述无标注图像进行粗分割,得到相应初步分割结果;
删除各上述初步分割结果中,尺寸不符合第一预设规则的分割结果,得到相应进阶分割结果,上述第一预设规则为依据目标对象的尺寸特征设置的规则;
根据第二预设规则,确定各上述进阶分割结果的分割质量合格率,上述第二预设规则为依据上述目标对象的尺寸特征设置的质量确定规则;
将各上述进阶分割结果中分割质量合格率不小于预设合格率的进阶分割结果和相应无标注图像,分别作为训练数据中的标注分割结果和样本图像,生成训练数据集中的训练数据;
基于上述训练数据集对初始目标对象实例分割模型进行训练,得到训练后的目标对象实例分割模型,上述目标对象实例分割模型用于表征图像和目标对象实例分割结果之间的对应关系。
在一些可选的实施方式中,上述对各上述无标注图像进行粗分割,得到相应初步分割结果,包括:
利用预设传统分割算法,对各上述无标注图像进行粗分割,得到相应第一分割结果;
根据第三预设规则,对各上述第一分割结果进行筛选,得到相应第二分割结果,上述第三预设规则为依据目标对象的尺寸特征设置的规则;
将各上述第二分割结果和相应无标注图像输入分割一切模型,得到初步分割结果。
在一些可选的实施方式中,上述第二分割结果包括正点激励、负点激励和矩形激励,上述根据第三预设规则,对各上述第一分割结果进行筛选,得到相应第二分割结果,包括:
将各上述第一分割结果中,外接矩形的任一边长大于第一边长值的分割结果确定为矩形激励;
将各上述第一分割结果中,外接矩形的边长均小于第二边长值的分割结果的中心点确定为正点激励,上述第一边长值大于上述第二边长值;
将上述无标注图像中像素值最接近预设背景像素值的像素点确定为负点激励。
在一些可选的实施方式中,上述第一预设规则包括:分割结果的外接矩形边长不超过第三边长值,上述第三边长值大于上述第一边长值;和/或,分割结果的外接矩形内大于二值化阈值的点的面积和与该外接矩形面积的比值不小于预设比值;和/或,该分割结果与其他分割结果重叠、该分割结果与其他分割结果重叠的重叠面积大于预设面积且该分割结果的面积小于与其重叠的其他分割结果的面积。
在一些可选的实施方式中,上述根据第二预设规则,确定各上述进阶分割结果的分割质量合格率,包括:
将各上述进阶分割结果中,边长在预设范围内且长宽比例小于预设长宽比值的分割结果确定为合格分割结果;
将各上述进阶分割结果中上述合格分割结果的数量除以该进阶分割结果中分割结果的数量的比值,确定为该进阶分割结果的分割质量合格率。
第二方面,本公开的实施例提供了一种目标对象实例分割方法,该方法包括:
获取包括目标对象的待分割图像;
将上述待分割图像输入训练后的目标对象实例分割模型,得到上述待分割图像对应的分割结果,其中,上述训练后的目标对象实例分割模型是采用如第一方面中任一实现方式描述的方法预先训练得到的。
第三方面,本公开的实施例提供了一种目标对象实例分割模型训练装置,该装置包括:
无标注图像获取模块,用于获取无标注图像集合;
粗分割模块,用于对各上述无标注图像进行粗分割,得到相应初步分割结果;
删除模块,用于删除各上述初步分割结果中,尺寸不符合第一预设规则的分割结果,得到相应进阶分割结果,上述第一预设规则为依据目标对象的尺寸特征设置的规则;
质量确定模块,用于根据第二预设规则,确定各上述进阶分割结果的分割质量合格率,上述第二预设规则为依据上述目标对象的尺寸特征设置的质量确定规则;
训练集生成模块,用于将各上述进阶分割结果中分割质量合格率不小于预设合格率的无标注图像和相应进阶分割结果,分别作为训练数据中的样本图像和标注分割结果,生成训练数据集中的训练数据;
训练模块,用于基于上述训练数据集对初始目标对象实例分割模型进行训练,得到训练后的目标对象实例分割模型,上述目标对象实例分割模型用于表征图像和目标对象实例分割结果之间的对应关系。
第四方面,本公开的实施例提供了一种目标对象实例分割装置,该装置包括:
待分割图像获取模块,用于获取包括目标对象的待分割图像;
待分割图像分割模块,用于将上述待分割图像输入训练后的目标对象实例分割模型,得到上述待分割图像对应的分割结果,其中,上述训练后的目标对象实例分割模型是采用如第一方面中任一实现方式描述的方法预先训练得到的。
第五方面,本公开的实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器实现如第一方面和/或第二方面中任一实现方式描述的方法。
第六方面,本公开的实施例提供了一种计算机可读存储介质,其上存储有计算机程序,其中,该计算机程序被一个或多个处理器执行时实现如第一方面和/或第二方面中任一实现方式描述的方法。
为了提升目标对象实例分割模型的训练效率,本公开的实施例提供的目标对象实例分割、模型训练方法、装置、电子设备和存储介质,通过获取无标注图像集合;对各上述无标注图像进行粗分割,得到相应初步分割结果;删除各上述初步分割结果中,尺寸不符合第一预设规则的分割结果,得到相应进阶分割结果,上述第一预设规则为依据目标对象的尺寸特征设置的规则;根据第二预设规则,确定各上述进阶分割结果的分割质量合格率,上述第二预设规则为依据上述目标对象的尺寸特征设置的质量确定规则;将各上述进阶分割结果中分割质量合格率不小于预设合格率的进阶分割结果和相应无标注图像,分别作为训练数据中的标注分割结果和样本图像,生成训练数据集中的训练数据;基于上述训练数据集对初始目标对象实例分割模型进行训练,得到训练后的目标对象实例分割模型,上述目标对象实例分割模型用于表征图像和目标对象实例分割结果之间的对应关系。这样,根据目标对象的尺寸特征设置的预设规则,对粗分割结果进行筛选,再利用筛选后的粗分割结果作为标注数据,对初始目标对象实例分割模型进行训练,无需手动对无标注图像进行标注,可以提升模型训练效率。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本公开的其它特征、目的和优点将会变得更明显。附图仅用于示出具体实施方式的目的,而并不认为是对本公开的限制。在附图中:
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2A是根据本公开的目标对象实例分割模型训练方法的一个实施例的流程图;
图2B是根据本公开步骤202的一个实施例的流程图;
图3A是根据本公开的目标对象实例分割模型训练方法的一个实施例的流程图;
图3B是根据本公开的目标对象实例分割模型训练方法的一个实施例的无标注图像示意图;
图3C是根据本公开的目标对象实例分割模型训练方法的一个实施例的SAM分割模型输出的结果示意图;
图3D根据本公开的目标对象实例分割模型训练方法的一个实施例的过滤后的伪标注结果示意图;
图4A是根据本公开的目标对象实例分割方法的一个实施例的流程图;
图4B是根据本公开的目标对象实例分割方法的一个实施例的分割结果示意图;
图5是根据本公开的目标对象实例分割模型训练装置的一个实施例的结构示意图;
图6是根据本公开的目标对象实例分割装置的一个实施例的结构示意图;
图7是适于用来实现本公开的实施例的电子设备的计算机***的结构示意图。
具体实施方式
下面结合附图和实施例对本公开做进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
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目标对象实例分割及模型训练方法、装置、电子设备和存储介质的实施例的示例性***架构100。
如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104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。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如图像处理类应用、语音识别类应用、短视频社交类应用、音视频会议类应用、视频直播类应用、文档编辑类应用、输入法类应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有显示屏的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的终端设备中。其可以实现成多个软件或软件模块(例如用来提供图像处理服务),也可以实现成单个软件或软件模块。在此不作具体限定。
在一些情况下,本公开所提供的目标对象实例分割及模型训练方法可以由终端设备101、102、103执行,相应地,目标对象实例分割、模型训练装置可以设置于终端设备101、102、103中。这时,***架构100也可以不包括服务器105。
在一些情况下,本公开所提供的目标对象实例分割及模型训练方法可以由终端设备101、102、103和服务器105共同执行,例如,“获取无标注图像集合”的步骤可以由终端设备101、102、103执行,“对各上述无标注图像进行粗分割,得到相应初步分割结果”等步骤可以由服务器105执行。本公开对此不作限定。相应地,目标对象实例分割、模型训练装置也可以分别设置于终端设备101、102、103和服务器105中。
在一些情况下,本公开所提供的目标对象实例分割及模型训练方法可以由服务器105执行,相应地,目标对象实例分割及模型训练装置也可以设置于服务器105中,这时,***架构100也可以不包括终端设备101、102、103。
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。在此不作具体限定。
应该理解,图1中的终端设备、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终端设备、网络和服务器。
继续参考图2A,其示出了根据本公开的目标对象实例分割模型训练方法的一个实施例的流程200,该目标对象实例分割模型训练方法包括以下步骤:
步骤201,获取无标注图像集合。
无标注图像集合中可以包括多个无标注图像。其中,无标注图像可以是包括目标对象的图像。目标对象是需要从无标注图像中分割出的分割结果,例如细胞对象、肿瘤对象、器官对象、人脸对象、交通标志对象等,在此不做限定。
步骤202,对各无标注图像进行粗分割,得到相应初步分割结果。
粗分割指的是在较粗的层次上将图像分割为不同的区域或物体。与细分割相比,粗分割可能会忽略一些细微的细节,但它可以提供有关图像整体结构和大致区域的信息。粗分割通常用于快速获取图像的大致结构,为后续更精细的分割或分析提供基础。
对每个无标注图像进行粗分割,则对应每个无标注图像,都可以得到相应的初步分割结果。每个初步分割结果可以包括一个或多个分割结果,每个分割结果可以用分割对象的轮廓线表示。由于粗分割容易受到图像中的噪声和纹理等因素的影响,初步分割结果中可能出现过分细化或者过度分割的情况。
例如,对无标注图像A进行粗分割,得到无标注图像A中30个目标对象,则这30个目标对象就是无标注图像A相应的初步分割结果。需要说明的是,这30个目标对象中可能包括部分分割错误的分割结果。
作为一种可能的实施方式,上述步骤202可以包括如图2B所示的步骤2021至步骤2023:
步骤2021,利用预设传统分割算法,对各无标注图像进行粗分割,得到相应第一分割结果。
其中,预设传统分割算法包括区域生长法、分水岭算法、自适应阈值图像分割、直方图双峰法等。需要说明的是,其他已知的分割算法也可以替换上述区域生长法和/或分水岭算法,对各无标注图像进行粗分割,在此不作限定。
其中,区域生长法是图像分割的一种常见方法,它基于相似性原则,从种子点开始逐渐生长,将相邻像素组成的区域合并成一个整体,可以有效地将相似的像素组成一个区域,从而实现图像的分割,适用于对具有明显边界和相似性的区域进行分割,但在处理复杂图像时可能会受到噪声和边界模糊的影响,导致分割结果不理想。
分水岭算法也是一种图像分割的方法,其基本思想是将图像看作地形,其中灰度值对应高程,然后通过计算水流的方向和流量来确定图像中不同区域的边界。该算法主要用于粗分割,即将图像分割成不同的区域,而不是对图像中的每个像素进行详细的分割。分水岭算法能够较好地保留目标的边界信息,对于具有明显边界的目标有较好的分割效果,通常需要结合其他的图像分割方法来进行进一步的优化和处理。
也就是说,经过预设传统分割算法粗分割后的第一分割结果精准度较低,以此为据对模型进行训练的效果较差。若要提高模型训练的效果,需要进一步处理,转向步骤2022执行。
步骤2022,根据第三预设规则,对各第一分割结果进行筛选,得到相应第二分割结果。
第三预设规则为依据目标对象的尺寸特征设置的规则,例如目标对象为细胞对象时,那么可以基于关于细胞对象尺寸的先验知识,设置第三预设规则。
基于第三预设规则,对各第一分割结果进行筛选,可以筛选得到第一分割结果中符合第三预设规则的分割结果。此时,对于每个无标注图像,可以得到相应的第二分割结果,其精准度高于第一分割结果。可选的,第二分割结果中也可以包括多个分割结果。
作为一种可能的实施方式,上述步骤2022可以包括以下步骤20221至步骤20223:
步骤20221,将各第一分割结果中,外接矩形的任一边长大于第一边长值的分割结果确定为矩形激励。
例如,当目标对象为细胞对象时,可以将第一分割结果中,外接矩形的任一边长大于200微米的分割结果确定为矩形激励。
步骤20222,将各第一分割结果中,外接矩形的边长均小于第二边长值的分割结果的中心点确定为正点激励。
其中,第一边长值大于第二边长值。例如,当目标对象为细胞对象时,可以将外接矩形的边长均小于150微米的分割结果的确定为正点激励。
步骤20223,将无标注图像中像素值最接近预设背景像素值的像素点确定为负点激励。
例如,将无标注图像灰度值最低的一个像素点确定为负点激励。
至此,步骤20221至步骤20223可以完成对各第一分割结果的筛选,得到相应第二分割结果,第二分割结果可以包括正点激励、负点激励和矩形激励。
步骤2023,将各第二分割结果和相应无标注图像输入分割一切模型,得到初步分割结果。
分割一切模型(Segment Anything Model,SAM模型),是一种基于深度学习技术的图像分割模型。该模型可以用于对任意类型的图像进行分割,包括细胞显微镜图像。通过训练大量的图像数据,SAM模型可以学习到图像中不同物体的特征和形状,从而实现对图像的自动分割和识别。由于深度学习模型能够学习到丰富的特征表示,因此SAM模型通常能够适应不同类型的图像分割任务,
相较于只利用预设传统分割算法进行粗分割,将粗分割的结果筛选后输入分割一切模型,可以提升粗分割结果的精准度,进而提升后续模型训练的效果。
至此,步骤2021至步骤2023可以实现对各无标注图像的粗分割,得到相应初步分割结果。
作为一种可能的实施方式,在上述步骤202之前,上述方法还可以包括:对各上述无标注图像进行预处理。其中,预处理可以包括标准化、直方图均衡化和/或均一化。此外,也可以用其他预处理过程替代以上预处理过程,在此不做限定。
直方图均衡化,主要通过调整图像的灰度分布来增强对比度。如果图像的灰度分布不均匀,例如集中在一个较窄的范围内,那么图像的细节可能会不够清晰,对比度也较低。为了解决这个问题,直方图均衡化可以将图像的灰度范围拉开或使灰度均匀分布,从而增大反差,使图像细节更加清晰。
均一化的目的是将图像的像素值转换为某个特定的范围,例如[0,1]或[-1,1]。这样可以使得图像的像素值在相同的尺度上,方便进行进一步的处理或比较。
步骤203,删除各初步分割结果中,尺寸不符合第一预设规则的分割结果,得到相应进阶分割结果。
相较于用数量较多、精准度较低的分割结果对初始目标对象实例分割模型进行训练,利用数量较少、精准度较高的分割结果训练初始目标对象实例分割模型,可以提升训练后的目标对象实例分割模型的分割精准度。
上述步骤202的结果仍然属于粗分割结果,即包括部分分割精准度较低的分割结果。因此,可以进一步对粗分割结果进行筛选,提升标注数据的准确度。
第一预设规则为依据目标对象的尺寸特征设置的规则。初步分割结果中,符合第一预设规则的分割结果可以被理解为没有明显分割错误的分割结果。删除各上述初步分割结果中,尺寸不符合第一预设规则的分割结果,就相当于删除有明显的分割错误的分割结果。
作为一种可能的实施方式,第一预设规则可以包括:分割结果的外接矩形边长不超过第三边长值,上述第三边长值大于上述第一边长值;和/或,分割结果的外接矩形内大于二值化阈值的点的面积和与该外接矩形面积的比值不小于预设比值;和/或,该分割结果与其他分割结果重叠、该分割结果与其他分割结果重叠的重叠面积大于预设面积且该分割结果的面积小于与其重叠的其他分割结果的面积。
例如,在目标对象为细胞对象时,可以设定第一预设规则为分割结果的外接矩形边长不超过1000微米,和/或,分割结果的外接矩形内大于二值化阈值(具体的,二值化阈值可取值为30)的点的面积和与该外接矩形面积的比值不小于预设比值(具体的,预设比值可取值为1/2),和/或,当两个分割结果重叠且重叠部分的面积大于预设面积(具体的,预设面积可取值为0.4平方微米)时,分割结果的面积为两个分割结果中的较小值。
步骤204,根据第二预设规则,确定各进阶分割结果的分割质量合格率。
第二预设规则为依据上述目标对象的尺寸特征设置的质量确定规则,也就是说,可以根据目标对象的尺寸特征,设定尺寸在某范围内的分割结果为合格结果,其余为不合格结果;进而根据合格结果占所有分割结果的比例,来确定分割质量合格率。具体的合格结果的评定标准可以自主设定,在此不作限制。
作为一种可能的实施方式,上述步骤204可以包括以下步骤2041至步骤2042:
步骤2041,将各进阶分割结果中,边长在预设范围内且长宽比例小于预设长宽比值的分割结果确定为合格分割结果。
例如,将各进阶分割结果中,边长均在(40,150)微米范围内,且长边长:短边长的比值小于1.2的分割结果确定为合格分割结果。
步骤2042,将各进阶分割结果中合格分割结果的数量除以该进阶分割结果中分割结果的数量的比值,确定为该进阶分割结果的分割质量合格率。
例如,步骤2041确定某一进阶分割结果中,合格分割结果为20个,全部分割结果为100个,则该进阶分割结果的分割质量合格率=20÷100=20%。
至此,步骤2041至步骤2042可以确定进阶分割结果的分割质量合格率。
步骤205,将各进阶分割结果中分割质量合格率不小于预设合格率的进阶分割结果和相应无标注图像,分别作为训练数据中的标注分割结果和样本图像,生成训练数据集中的训练数据。
经过以上步骤201至204,每个无标注图像都可以得到对应的进阶分割结果,将无标注图像作为样本图像,将其对应的进阶分割结果作为标注分割结果,每组样本图像和标注分割结果作为一套训练数据加入训练数据集。由于步骤201最开始获取的无标注图像集合中包括多个无标注图像,因此在步骤205生成的训练数据集中可以包括多个训练数据。
步骤206,基于训练数据集对初始目标对象实例分割模型进行训练,得到训练后的目标对象实例分割模型。
目标对象实例分割模型用于表征图像和目标对象实例分割结果之间的对应关系,作为一种可能的实施方式,初始目标对象实例分割模型可以为Mask R-cnn模型,它是一种基于区域提议网络(Region Proposal Network,RPN)的目标检测算法模型,在Faster R-CNN的基础上增加了一个分支用于实现目标的语义分割,因此,可以同时完成目标检测和语义分割的任务,目标对象分割效果较好。此外,其他的类似模型也可以取代上述Mask R-cnn模型,上述Mask R-cnn模型仅为示例性模型,在此不做限定。
本公开的上述实施例提供的目标对象实例分割模型训练方法,根据目标对象的尺寸特征设置的预设规则,对粗分割结果进行筛选,再利用筛选后的粗分割结果作为标注数据,对初始目标对象实例分割模型进行训练,无需手动对无标注图像进行标注,可以提升模型训练效率。
继续参见图3A,是根据本公开的目标对象实例分割模型训练方法的一个实施例的流程图,目标对象实例分割模型训练方法300包括以下步骤:
步骤301,获取无标注图像集合。
其中,无标注图像可以为如图3B所示的包括目标对象(细胞对象)的显微镜图像。其余部分和上述步骤201类似,在此不做赘述。
步骤302,对各无标注图像进行预处理。
其中,预处理可以包括直方图均衡化和/或均一化。直方图均衡化,主要通过调整图像的灰度分布来增强对比度。如果图像的灰度分布不均匀,例如集中在一个较窄的范围内,那么图像的细节可能会不够清晰,对比度也较低。为了解决这个问题,直方图均衡化可以将图像的灰度范围拉开或使灰度均匀分布,从而增大反差,使图像细节更加清晰。均一化的目的是将图像的像素值转换为某个特定的范围,例如[0,1]或[-1,1]。这样可以使得图像的像素值在相同的尺度上,方便进行进一步的处理或比较。
步骤303,利用传统分割算法进行粗分割。
此步骤和步骤2021类似,在此不作赘述。
步骤304,将传统分割算法粗分割的结果作为激励,与无标注图像同时输入SAM分割模型。
此步骤和步骤2022至步骤2023类似,在此不作赘述。
步骤305,过滤SAM分割模型输出的异常伪标注结果。
参见图3C所示,SAM分割模型输出的结果为相较于图3B有轮廓线的部分。此处,将上述步骤203中的初步分割结果确定为伪标注结果。将初步分割结果中尺寸不符合预设规则的分割结果或分割合格率较低的初步分割结果确定为异常伪标注结果。如图3C中箭头所指,即为步骤305需要过滤的异常伪标注结果。将其过滤后,可以得到如图3D所示的伪标注结果。
除此之外,本步骤和步骤203至步骤205类似,在此不作赘述。
步骤306,利用无标注图像和过滤后的伪标注结果,训练初始Mask R-cnn模型,得到训练后的目标对象实例分割模型。
其中,此步骤和步骤206类似,在此不作赘述。
本公开的上述实施例提供的目标对象实例分割模型训练方法,以细胞分割为例,详细介绍了具体场景下目标对象实例分割模型训练过程,有利于提升目标对象实例分割模型训练的效率。
进一步参考图4A,其示出了根据本公开的目标对象实例分割方法的一个实施例的流程400,该目标对象实例分割方法包括以下步骤:
步骤401,获取包括目标对象的待分割图像。
步骤402,将待分割图像输入训练后的目标对象实例分割模型,得到待分割图像对应的分割结果。
其中,训练后的目标对象实例分割模型是经过上述如图2A或图3A描述的实施例预先训练得到的。
例如,将图3B作为目标对象的待分割图像输入训练后的目标对象实例分割模型,可以得到如图4B所示的分割结果。图4B箭头所指为相较于直接将待分割图像输入SAM分割模型得到的分割结果,训练后的目标对象实例分割模型分割效果有提升的部分。
此外,实验表明,在同时对包含174个待分割图像的测试数据集进行分割时,SAM分割模型和训练后的目标对象实例分割模型得到的分割结果中重叠度(IOU,Intersectionover Union)大于0.5的分割结果占比分别如下表所示:
模型 | 矩形激励 | 点激励 |
SAM分割模型 | 0.882 | 0.873 |
训练后的目标对象实例分割模型 | 0.929 | 0.929 |
由于IOU(Intersection over Union)重叠度是一种常用的评估分割结果好坏的指标,它通过计算分割结果和真实标注之间的重叠程度来衡量分割的准确性。IOU的取值范围在0到1之间,数值越接近1表示分割结果与真实标注的重叠程度越高,分割结果越准确。通常情况下,当IOU大于0.5时,可以认为分割结果较为准确;当IOU大于0.7时,可以认为分割结果非常准确。所以,由上表可知,训练后的目标对象实例分割模型的分割精准度较SAM分割模型有了较大的提升。
本公开的上述实施例提供的目标对象实例分割方法,可以直接对待分割图像进行分割且分割效果较好。
进一步参考图5作为对上述各图所示方法的实现,本公开提供了一种目标对象实例分割模型训练装置的一个实施例,该装置实施例与图2A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5所示,本实施例的目标对象实例分割模型训练装置500包括:无标注图像获取模块501、粗分割模块502、删除模块503、质量确定模块504、训练集生成模块505和训练模块506。
其中,无标注图像获取模块501,用于获取无标注图像集合;
粗分割模块502,用于对各上述无标注图像进行粗分割,得到相应初步分割结果;
删除模块503,用于删除各上述初步分割结果中,尺寸不符合第一预设规则的分割结果,得到相应进阶分割结果,上述第一预设规则为依据目标对象的尺寸特征设置的规则;
质量确定模块504,用于根据第二预设规则,确定各上述进阶分割结果的分割质量合格率,上述第二预设规则为依据上述目标对象的尺寸特征设置的质量确定规则;
训练集生成模块505,用于将各上述进阶分割结果中分割质量合格率不小于预设合格率的无标注图像和相应进阶分割结果,分别作为训练数据中的样本图像和标注分割结果,生成训练数据集中的训练数据;
训练模块506,用于基于上述训练数据集对初始目标对象实例分割模型进行训练,得到训练后的目标对象实例分割模型,上述目标对象实例分割模型用于表征图像和目标对象实例分割结果之间的对应关系。
在本实施例中,目标对象实例分割模型训练装置500的的具体处理及其所带来的技术效果可分别参考图2A对应实施例中步骤201至步骤206的相关说明,在此不再赘述。
在一些可选的实施方式中,上述粗分割模块502,包括:
传统分割单元,用于利用预设传统分割算法,对各上述无标注图像进行粗分割,得到相应第一分割结果;
筛选单元,用于根据第三预设规则,对各上述第一分割结果进行筛选,得到相应第二分割结果,上述第三预设规则为依据目标对象的尺寸特征设置的规则;
模型分割单元,用于将各上述第二分割结果和相应无标注图像输入分割一切模型,得到初步分割结果。
在一些可选的实施方式中,上述第二分割结果包括正点激励、负点激励和矩形激励,上述筛选单元,包括:
第一确定组件,用于将各上述第一分割结果中,外接矩形的任一边长大于第一边长值的分割结果确定为矩形激励;
第二确定组件,用于将各上述第一分割结果中,外接矩形的边长均小于第二边长值的分割结果的中心点确定为正点激励,上述第一边长值大于上述第二边长值;
第三确定组件,用于将上述无标注图像中像素值最接近预设背景像素值的像素点确定为负点激励。
在一些可选的实施方式中,上述第一预设规则包括:分割结果的外接矩形边长不超过第三边长值,上述第三边长值大于上述第一边长值;和/或,分割结果的外接矩形内大于二值化阈值的点的面积和与该外接矩形面积的比值不小于预设比值;和/或,该分割结果与其他分割结果重叠、该分割结果与其他分割结果重叠的重叠面积大于预设面积且该分割结果的面积小于与其重叠的其他分割结果的面积。
在一些可选的实施方式中,上述质量确定模块504,包括:
合格结果确定单元,用于将各上述进阶分割结果中,边长在预设范围内且长宽比例小于预设长宽比值的分割结果确定为合格分割结果;
合格率确定单元,用于将各上述进阶分割结果中上述合格分割结果的数量除以该进阶分割结果中分割结果的数量的比值,确定为该进阶分割结果的分割质量合格率。
需要说明的是,本公开的实施例提供的目标对象实例分割模型训练装置中各模块和单元的实现细节和技术效果可以参考本公开中其它实施例的说明,在此不再赘述。
进一步参考图6作为对上述各图所示方法的实现,本公开提供了一种目标对象实例分割装置的一个实施例,该装置实施例与图4A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6所示,本实施例的目标对象实例分割装置600包括:待分割图像获取模块601和待分割图像分割模块602。
其中,待分割图像获取模块601,用于获取包括目标对象的待分割图像;
待分割图像分割模块602,用于将上述待分割图像输入训练后的目标对象实例分割模型,得到上述待分割图像对应的分割结果,其中,上述训练后的目标对象实例分割模型是经过上述如图2A或图3A描述的实施例预先训练得到的。
在本实施例中,目标对象实例分割装置600的的具体处理及其所带来的技术效果可分别参考图4A对应实施例中步骤401至步骤402的相关说明,在此不再赘述。
下面参考图7,其示出了适于用来实现本公开的电子设备的计算机***700的结构示意图。图7示出的计算机***700仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图7所示,计算机***700可以包括处理装置(例如中央处理器、图形处理器等)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有计算机***700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
通常,以下装置可以连接至I/O接口705:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风等的输入装置706;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707;包括例如磁带、硬盘等的存储装置708;以及通信装置709。通信装置709可以允许计算机***700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备的计算机***700,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置709从网络上被下载和安装,或者从存储装置708被安装,或者从ROM 702被安装。在该计算机程序被处理装置701执行时,执行本公开的实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备实现如图2A、图3A或图4A所示的实施例及其可选实施方式示出的目标对象实例分割及模型训练方法。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框,以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的实施例中所涉及的单元或模块可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元或模块的名称在某种情况下并不构成对该单元本身的限定,例如,粗分割模块还可以被描述为“用于获取无标注图像集合”。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种目标对象实例分割模型训练方法,其特征在于,包括:
获取无标注图像集合;
对各所述无标注图像进行粗分割,得到相应初步分割结果;
删除各所述初步分割结果中,尺寸不符合第一预设规则的分割结果,得到相应进阶分割结果,所述第一预设规则为依据目标对象的尺寸特征设置的规则;
根据第二预设规则,确定各所述进阶分割结果的分割质量合格率,所述第二预设规则为依据所述目标对象的尺寸特征设置的质量确定规则;
将各所述进阶分割结果中分割质量合格率不小于预设合格率的进阶分割结果和相应无标注图像,分别作为训练数据中的标注分割结果和样本图像,生成训练数据集中的训练数据;
基于所述训练数据集对初始目标对象实例分割模型进行训练,得到训练后的目标对象实例分割模型,所述目标对象实例分割模型用于表征图像和目标对象实例分割结果之间的对应关系。
2.根据权利要求1所述的方法,其特征在于,所述对各所述无标注图像进行粗分割,得到相应初步分割结果,包括:
利用预设传统分割算法,对各所述无标注图像进行粗分割,得到相应第一分割结果;
根据第三预设规则,对各所述第一分割结果进行筛选,得到相应第二分割结果,所述第三预设规则为依据目标对象的尺寸特征设置的规则;
将各所述第二分割结果和相应无标注图像输入分割一切模型,得到初步分割结果。
3.根据权利要求2所述的方法,其特征在于,所述第二分割结果包括正点激励、负点激励和矩形激励,所述根据第三预设规则,对各所述第一分割结果进行筛选,得到相应第二分割结果,包括:
将各所述第一分割结果中,外接矩形的任一边长大于第一边长值的分割结果确定为矩形激励;
将各所述第一分割结果中,外接矩形的边长均小于第二边长值的分割结果的中心点确定为正点激励,所述第一边长值大于所述第二边长值;
将所述无标注图像中像素值最接近预设背景像素值的像素点确定为负点激励。
4.根据权利要求1所述的方法,其特征在于,所述第一预设规则包括:分割结果的外接矩形边长不超过第三边长值,所述第三边长值大于所述第一边长值;和/或,分割结果的外接矩形内大于二值化阈值的点的面积和与该外接矩形面积的比值不小于预设比值;和/或,该分割结果与其他分割结果重叠、该分割结果与其他分割结果重叠的重叠面积大于预设面积且该分割结果的面积小于与其重叠的其他分割结果的面积。
5.根据权利要求1所述的方法,其特征在于,所述根据第二预设规则,确定各所述进阶分割结果的分割质量合格率,包括:
将各所述进阶分割结果中,边长在预设范围内且长宽比例小于预设长宽比值的分割结果确定为合格分割结果;
将各所述进阶分割结果中所述合格分割结果的数量除以该进阶分割结果中分割结果的数量的比值,确定为该进阶分割结果的分割质量合格率。
6.一种目标对象实例分割方法,其特征在于,包括:
获取包括目标对象的待分割图像;
将所述待分割图像输入训练后的目标对象实例分割模型,得到所述待分割图像对应的分割结果,其中,所述训练后的目标对象实例分割模型是采用如权利要求1-5中任一所述的目标对象实例分割模型训练方法预先训练得到的。
7.一种目标对象实例分割模型训练装置,其特征在于,包括:
无标注图像获取模块,用于获取无标注图像集合;
粗分割模块,用于对各所述无标注图像进行粗分割,得到相应初步分割结果;
删除模块,用于删除各所述初步分割结果中,尺寸不符合第一预设规则的分割结果,得到相应进阶分割结果,所述第一预设规则为依据目标对象的尺寸特征设置的规则;
质量确定模块,用于根据第二预设规则,确定各所述进阶分割结果的分割质量合格率,所述第二预设规则为依据所述目标对象的尺寸特征设置的质量确定规则;
训练集生成模块,用于将各所述进阶分割结果中分割质量合格率不小于预设合格率的无标注图像和相应进阶分割结果,分别作为训练数据中的样本图像和标注分割结果,生成训练数据集中的训练数据;
训练模块,用于基于所述训练数据集对初始目标对象实例分割模型进行训练,得到训练后的目标对象实例分割模型,所述目标对象实例分割模型用于表征图像和目标对象实例分割结果之间的对应关系。
8.一种目标对象实例分割装置,其特征在于,包括:
待分割图像获取模块,用于获取包括目标对象的待分割图像;
待分割图像分割模块,用于将所述待分割图像输入训练后的目标对象实例分割模型,得到所述待分割图像对应的分割结果,其中,所述训练后的目标对象实例分割模型是采用如权利要求1-5中任一所述的目标对象实例分割模型训练方法预先训练得到的。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-5中和/或如权利要求6任一所述的方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,其中,所述计算机程序被一个或多个处理器执行时实现如权利要求1-5和/或如权利要求6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311779857.3A CN117876384B (zh) | 2023-12-21 | 2023-12-21 | 目标对象实例分割、模型训练方法及相关产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311779857.3A CN117876384B (zh) | 2023-12-21 | 2023-12-21 | 目标对象实例分割、模型训练方法及相关产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117876384A true CN117876384A (zh) | 2024-04-12 |
CN117876384B CN117876384B (zh) | 2024-08-20 |
Family
ID=90592786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311779857.3A Active CN117876384B (zh) | 2023-12-21 | 2023-12-21 | 目标对象实例分割、模型训练方法及相关产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117876384B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110298298A (zh) * | 2019-06-26 | 2019-10-01 | 北京市商汤科技开发有限公司 | 目标检测及目标检测网络的训练方法、装置及设备 |
CN110378438A (zh) * | 2019-08-07 | 2019-10-25 | 清华大学 | 标签容错下的图像分割模型的训练方法、装置及相关设备 |
CN113361535A (zh) * | 2021-06-30 | 2021-09-07 | 北京百度网讯科技有限公司 | 图像分割模型训练、图像分割方法及相关装置 |
CN113554068A (zh) * | 2021-07-05 | 2021-10-26 | 华侨大学 | 一种实例分割数据集的半自动标注方法、装置及可读介质 |
WO2022089267A1 (zh) * | 2020-11-02 | 2022-05-05 | 中科麦迪人工智能研究院(苏州)有限公司 | 样本数据获取方法、图像分割方法、装置、设备和介质 |
CN115205305A (zh) * | 2022-07-28 | 2022-10-18 | 北京有竹居网络技术有限公司 | 一种实例分割模型训练方法、实例分割方法及装置 |
WO2022257578A1 (zh) * | 2021-06-07 | 2022-12-15 | 京东科技信息技术有限公司 | 用于识别文本的方法和装置 |
CN115601546A (zh) * | 2022-10-27 | 2023-01-13 | 华侨大学(Cn) | 一种实例分割模型训练方法、装置及可读介质 |
WO2023165033A1 (zh) * | 2022-03-02 | 2023-09-07 | 深圳硅基智能科技有限公司 | 识别医学图像中的目标的模型训练、方法、设备及介质 |
CN116824289A (zh) * | 2022-03-18 | 2023-09-29 | 中国科学院深圳先进技术研究院 | 模型训练方法、图像分割方法、终端设备以及存储介质 |
-
2023
- 2023-12-21 CN CN202311779857.3A patent/CN117876384B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110298298A (zh) * | 2019-06-26 | 2019-10-01 | 北京市商汤科技开发有限公司 | 目标检测及目标检测网络的训练方法、装置及设备 |
CN110378438A (zh) * | 2019-08-07 | 2019-10-25 | 清华大学 | 标签容错下的图像分割模型的训练方法、装置及相关设备 |
WO2022089267A1 (zh) * | 2020-11-02 | 2022-05-05 | 中科麦迪人工智能研究院(苏州)有限公司 | 样本数据获取方法、图像分割方法、装置、设备和介质 |
WO2022257578A1 (zh) * | 2021-06-07 | 2022-12-15 | 京东科技信息技术有限公司 | 用于识别文本的方法和装置 |
CN113361535A (zh) * | 2021-06-30 | 2021-09-07 | 北京百度网讯科技有限公司 | 图像分割模型训练、图像分割方法及相关装置 |
CN113554068A (zh) * | 2021-07-05 | 2021-10-26 | 华侨大学 | 一种实例分割数据集的半自动标注方法、装置及可读介质 |
WO2023165033A1 (zh) * | 2022-03-02 | 2023-09-07 | 深圳硅基智能科技有限公司 | 识别医学图像中的目标的模型训练、方法、设备及介质 |
CN116824289A (zh) * | 2022-03-18 | 2023-09-29 | 中国科学院深圳先进技术研究院 | 模型训练方法、图像分割方法、终端设备以及存储介质 |
CN115205305A (zh) * | 2022-07-28 | 2022-10-18 | 北京有竹居网络技术有限公司 | 一种实例分割模型训练方法、实例分割方法及装置 |
CN115601546A (zh) * | 2022-10-27 | 2023-01-13 | 华侨大学(Cn) | 一种实例分割模型训练方法、装置及可读介质 |
Non-Patent Citations (1)
Title |
---|
黄劲潮;: "基于快速区域建议网络的图像多目标分割算法", 山东大学学报(工学版), no. 04, 25 May 2018 (2018-05-25) * |
Also Published As
Publication number | Publication date |
---|---|
CN117876384B (zh) | 2024-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200117906A1 (en) | Space-time memory network for locating target object in video content | |
WO2021098362A1 (zh) | 视频分类模型构建、视频分类的方法、装置、设备及介质 | |
CN108416310B (zh) | 用于生成信息的方法和装置 | |
WO2022001623A1 (zh) | 基于人工智能的图像处理方法、装置、设备及存储介质 | |
CN110211195B (zh) | 生成图像集合的方法、装置、电子设备和计算机可读存储介质 | |
CN114266860B (zh) | 三维人脸模型建立方法、装置、电子设备及存储介质 | |
CN113505848A (zh) | 模型训练方法和装置 | |
CN113706562B (zh) | 图像分割方法、装置、***及细胞分割方法 | |
CN114120361A (zh) | 一种基于编解码结构的人群计数定位方法 | |
CN115239655A (zh) | 一种甲状腺超声影像肿瘤分割分类方法及装置 | |
CN116433692A (zh) | 一种医学图像分割方法、装置、设备和存储介质 | |
CN109816670B (zh) | 用于生成图像分割模型的方法和装置 | |
CN111292333B (zh) | 用于分割图像的方法和装置 | |
CN113177957B (zh) | 一种细胞图像的分割方法、装置、电子设备及存储介质 | |
US20240127406A1 (en) | Image quality adjustment method and apparatus, device, and medium | |
CN111815748B (zh) | 一种动画处理方法、装置、存储介质及电子设备 | |
CN116152577B (zh) | 图像分类方法及装置 | |
CN117876384B (zh) | 目标对象实例分割、模型训练方法及相关产品 | |
CN117437423A (zh) | 基于sam协同学习和跨层特征聚合增强的弱监督医学图像分割方法及装置 | |
CN116778164A (zh) | 一种基于多尺度结构改进DeeplabV3+网络的语义分割方法 | |
CN116503596A (zh) | 图片分割方法、装置、介质和电子设备 | |
CN111260659A (zh) | 一种基于初始标注点指导的图像交互分割方法 | |
CN111104894B (zh) | 一种***标注方法、装置、电子设备及存储介质 | |
CN112652329B (zh) | 文本重对齐方法、装置、电子设备和存储介质 | |
CN115147434A (zh) | 图像处理方法、装置、终端设备及计算机可读存储介质 |
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 |