[发明专利]实例分割模型的训练方法及装置，图像处理的方法及装置

权利要求书

1.一种实例分割模型的训练方法，其特征在于，包括：

确定包含至少一个目标物体的样本图像，所述样本图像包括所述至少一个目标物体中的每个目标物体的形状边缘点标签、目标中心点标签以及类别标签；

基于所述样本图像训练具有分支结构的神经网络，以得到所述实例分割模型，其中，所述具有分支结构的神经网络包括用于特征提取的主干网络以及位于所述主干网络后的并列的多个分支网络，所述多个分支网络包括第一分支网络和第二分支网络，所述第一分支网络用于输出所述至少一个目标物体中的每个目标物体的分类结果，所述第二分支网络用于输出所述目标物体的分割结果。

2.根据权利要求1所述的训练方法，其特征在于，所述基于所述样本图像训练具有分支结构的神经网络，以得到所述实例分割模型，包括：

根据所述样本图像，通过所述主干网络，得到所述样本图像的特征图；

根据所述特征图，通过所述第一分支网络，获取所述至少一个目标物体中的每个目标物体的多个特征点中的每个特征点的分类结果，并根据所述目标物体的特征点的分类结果和所述目标物体的类别标签，获取所述第一分支网络的第一损失函数值，其中，所述特征点的分类结果为与所述特征点对应的目标物体的分类结果；

根据所述特征图，通过所述第二分支网络，获取与所述目标物体的特征点对应的所述目标物体的多个形状边缘点的预测位置，并根据所述目标物体的多个形状边缘点的预测位置和所述目标物体的形状边缘点标签上的多个形状边缘点的实际位置，获取所述第二分支网络的第二损失函数值，其中，所述目标物体的分割结果由所述目标物体的多个形状边缘点相连获得；

根据所述第一损失函数值和所述第二损失函数值，更新所述具有分支结构的神经网络中的参数。

3.根据权利要求2所述的训练方法，其特征在于，所述根据所述特征图，通过所述第二分支网络，获取与所述目标物体的特征点对应的所述目标物体的多个形状边缘点的预测位置，包括：

根据所述第二分支网络，计算所述目标物体的特征点与所述目标物体的多个形状边缘点的X方向偏移量和Y方向偏移量，以获取与所述目标物体的特征点对应的所述目标物体的多个形状边缘点的预测位置。

4.根据权利要求2所述的训练方法，其特征在于，所述根据所述特征图，通过所述第二分支网络，获取与所述目标物体的特征点对应的所述目标物体的多个形状边缘点的预测位置，包括：

根据所述第二分支网络，计算所述目标物体的特征点与所述目标物体的多个形状边缘点的相对角度和相对距离，以获取与所述目标物体的特征点对应的所述目标物体的多个形状边缘点的预测位置。

5.根据权利要求2所述的训练方法，其特征在于，所述多个分支网络还包括第三分支网络，用于输出所述目标物体的特征点为所述目标物体的目标中心点的概率值，所述方法还包括：

根据所述特征图和所述第三分支网络，计算所述目标物体的特征点与所述目标物体的目标中心点的中心距离，并根据激活函数和所述中心距离，获取所述目标物体的特征点为所述目标物体的目标中心点的概率值；

根据所述中心距离和所述目标物体的特征点与所述目标物体的目标中心点标签上的目标中心点的实际中心距离，获取所述第三分支网络的第三损失函数值，

其中，所述根据所述第一损失函数值和所述第二损失函数值，更新所述具有分支结构的神经网络中的参数，包括：

根据所述第一损失函数值、所述第二损失函数值以及所述第三损失函数值，更新所述具有分支结构的神经网络中的参数。