[发明专利]图像分割网络的训练方法及装置、图像分割方法及装置

权利要求书

1.一种图像分割网络的训练方法，其特征在于，包括：

获取包括人体的多个样本图像，将所述多个样本图像输入图像处理模型的特征提取网络，得到所述多个样本图像的多个特征图像；

将每个所述特征图像输入所述图像处理模型中的关键点检测网络，以输出所述人体的肩膀关键点，并根据所述肩膀关键点得到目标肩膀区域；

将每个所述特征图像输入所述图像处理模型中的人体分割网络，以输出人体预测分割图，并获取所述人体预测分割图与所述样本图像对应的人体标准分割图之间每个像素点的像素误差；

根据所述目标肩膀区域，对所述像素误差进行加权处理，以调整所述人体分割网络的第一损失函数；

基于调整后的所述第一损失函数和所述关键点检测网络的第二损失函数，得到所述图像处理模型调整后的损失函数；

根据所述调整后的损失函数，对所述图像处理模型进行训练，得到目标图像分割网络。

2.根据权利要求1所述的图像分割网络的训练方法，其特征在于，所述根据所述目标肩膀区域，对所述像素误差进行加权处理，以调整所述人体分割网络的所述损失函数，得到调整后的损失函数，包括：

获取未处于所述目标肩膀区域内的每个像素点对应的像素误差，作为第一像素误差；

获取处于所述目标肩膀区域内的每个像素点对应的像素误差，作为第二像素误差；

根据所述目标肩膀区域内的每个像素点对应的加权权重对所述第二像素误差进行加权；

根据所述第一像素误差和加权后的所述第二像素误差，调整所述人体分割网络所述第一损失函数。

3.根据权利要求2所述的图像分割网络的训练方法，其特征在于，所述基于调整后的所述第一损失函数和所述关键点检测网络的第二损失函数，得到所述图像处理模型调整后的损失函数，包括：

基于所述关键点检测网络的训练误差，获取所述关键点检测网络的第二损失函数；

对所述第一损失函数和所述第二损失函数进行加权求和，以得到所述图像处理模型调整后的损失函数。

4.根据权利要求1所述的图像分割网络的训练方法，其特征在于，所述根据所述肩膀关键点得到目标肩膀区域，包括：

根据所述肩膀关键点得到肩膀区域，对所述肩膀区域做膨胀处理，得到目标肩膀区域。

5.一种图像分割方法，其特征在于，包括：

获取包括人体的原始图像；

将所述原始图像的特征图像输入目标图像分割网络中，以获取所述原始图像的人体预测分割图；

其中，所述目标图像分割网络是根据权利要求1-5任一项所述的图像分割网络的训练方法进行训练得到的图像分割网络。

6.一种图像分割网络的训练装置，其特征在于，包括：

特征获取单元，被配置为执行获取包括人体的多个样本图像，将所述多个样本图像输入图像处理模型的特征提取网络，得到所述多个样本图像的多个特征图像；

关键点提取单元，被配置为执行将每个所述特征图像输入所述图像处理模型中的关键点检测网络，以输出所述人体的肩膀关键点，并根据所述肩膀关键点得到目标肩膀区域；

像素误差获取单元，被配置为执行将每个所述特征图像输入所述图像处理模型中的人体分割网络，以输出人体预测分割图，并获取所述人体预测分割图与所述样本图像对应的人体标准分割图之间每个像素点的像素误差；

损失函数调整单元，被配置为执行根据所述目标肩膀区域，对所述像素误差进行加权处理，以调整所述人体分割网络的第一损失函数，基于调整后的所述第一损失函数和所述关键点检测网络的第二损失函数，得到所述图像处理模型调整后的损失函数；

分割网络获取单元，被配置为执行根据所述调整后的损失函数，对所述图像处理模型进行训练，得到目标图像分割网络。

7.一种图像分割装置，其特征在于，包括：

获取单元，被配置为执行获取包括人体的原始图像；

预测单元，被配置为执行将所述原始图像的特征图像输入目标图像分割网络中，以获取所述原始图像的人体预测分割图；

其中，所述目标图像分割网络是根据权利要求1-4任一项所述人体分割网络的训练方法得到的图像分割网络。