[发明专利]一种图像实例分割方法及装置

说明书

本申请提供了一种图像实例分割方法及装置，该图像实例分割方法包括：构建实例分割的初始网络模型；通过多源数据集对所述初始网络模型进行元训练，确定中间网络模型，所述多源数据集包括多个类别的实例分割任务的小样本数据集，所述中间网络模型为适应所述多个类别的实例分割任务的所述初始网络模型；通过目标数据集对所述中间网络模型进行元训练，确定目标网络模型，所述目标数据集为目标类别的实例分割任务的小样本数据集，所述目标网络模型为适应所述目标类别的实例分割任务的所述中间网络模型。本申请实施例提供的图像实例分割方法使在少量的样本数据下得到的目标网络模型也能够准确的将目标类别所对应的对象从图像的背景中分割出来。

技术领域

本申请涉及图像处理技术领域，尤其涉及一种图像实例分割方法及装置。

背景技术

图像实例分割指在图像中识别实例对象的类别、位置和所占的像素范围，并将实例对象从图像的背景中提取(分割)出来，是计算机视觉中很重要的一个方向，其中，实例对象可以为人物、物品等，一般在深度学习背景下利用卷积神经网络对图像进行实例分割，即通过训练好的实例分割模型对图像进行实例分割(确定实例对象的掩码和类别)。

然而，在利用卷积神经网络进行实例分割时，需要有大量的数据支持，如果没有足够多的数据来训练实例分割模型，实例分割模型可能无法准确的将实例对象从图像的背景中分割出来，但是在很多应用领域中，例如在海战场中，新式作战武器比如潜艇、船舰等样本数据搜集困难，可能无法获取大量的样本数据，导致训练出的实例分割模型的分割效果差，准确率低。

发明内容

本申请提供了一种图像实例分割方法及装置，该方法使在少量的样本数据下得到的目标网络模型能够准确的将目标类别所对应的对象从图像的背景中分割出来。

为解决上述问题，第一方面，本申请实施例提供了一种图像实例分割方法，该图像实例分割方法包括：构建实例分割的初始网络模型；通过多源数据集对所述初始网络模型进行元训练，确定中间网络模型，所述多源数据集包括多个类别的实例分割任务的小样本数据集，所述中间网络模型为适应所述多个类别的实例分割任务的所述初始网络模型；通过目标数据集对所述中间网络模型进行元训练，确定目标网络模型，所述目标数据集为目标类别的实例分割任务的小样本数据集，所述目标网络模型为适应所述目标类别的实例分割任务的所述中间网络模型。

结合第一方面，在第一方面的某些实现方式中，所述通过多源数据集对所述初始网络模型进行元训练，确定中间网络模型，包括：从所述多源数据集中抽取M个类别的实例分割任务对所述初始网络模型进行元训练，确定所述M个类别中的每一个类别的实例分割结果的损失值，得到M个损失值，M为大于1的整数；根据所述M个损失值更新第一参数，以确定所述中间网络模型，所述第一参数为所述初始网络模型的参数。

结合第一方面，在第一方面的某些实现方式中，所述根据所述M个损失值更新第一参数，包括：确定所述M个类别中的每一个类别与所述目标对象的偏差值，得到M个偏差值，所述M个偏差值与所述M个损失值一一对应；根据所述M个损失值和对应偏差值的积更新所述第一参数。

结合第一方面，在第一方面的某些实现方式中，当第一损失值小于预设值时，停止更新所述第一参数，并将所述第一参数确定为所述中间网络模型的参数，所述第一损失值为将从所述目标数据集中抽取的样本数据输入所述初始网络模型后得到的损失值。

结合第一方面，在第一方面的某些实现方式中，所述初始网络模型包括超参数，所述超参数用于确定所述第一参数更新的步长。

结合第一方面，在第一方面的某些实现方式中，所述初始网络模型为mask-rcnn网络模型。