质心标注模型的训练方法及对象分割模型的训练方法

本发明涉及人工智能，尤其涉及一种质心标注模型的训练方法及对象分割模型的训练方法。

背景技术：

1、质心是指物质系统上被认为质量集中于此的一个假想点，质心在确定物体的稳定性、物体的惯性、物体的机械特性和物体的分割等工程应用中都发挥着重要的作用。

2、目前，依赖于人工对图像中的标注对象进行质心的标注，但人工标注质心会耗费较多的标注时间，且准确度欠佳。

技术实现思路

1、本发明实施例提供了一种质心标注模型的训练方法及对象分割模型的训练方法，以解决人工标注质心效率低的问题，提高质心标注的准确度，进一步提高后续对象分割模型的训练效果。

2、根据本发明一个实施例提供了一种质心标注模型的训练方法，该方法包括：

3、将质心训练图像输入到未训练完成的初始质心标注模型中，得到输出的预测质心数据；

4、基于所述预测质心数据和标准质心数据，确定偏移量损失函数，并基于所述偏移量损失函数，确定质心损失函数；

5、基于所述质心损失函数，对所述初始质心标注模型的模型参数进行调整，直到所述质心损失函数收敛时，得到训练完成的目标质心标注模型；

6、其中，所述偏移量损失函数包括距离损失函数和/或方向损失函数，所述距离损失函数表征所述预测质心数据对应的质心候选点对的偏移距离的损失量，所述方向损失函数表征所述预测质心数据对应的质心候选点对的偏移方向的损失量。

7、根据本发明另一个实施例提供了一种对象分割模型的训练方法，该方法包括：

8、将质心测试图像输入到预先训练完成的目标质心标注模型中，得到输出的目标质心数据；

9、基于所述目标质心数据中的至少一个质心目标点分别对应的目标质心坐标，获取所述质心测试图像中的至少一个对象训练图像块；

10、将各所述对象训练图像块分别输入到未训练完成的初始对象分割模型中，得到输出的预测对象图像；

11、基于所述预测对象图像和标准对象图像，对所述初始对象分割模型的模型参数进行调整，得到训练完成的目标对象分割模型；

12、其中，所述目标质心标注模型是采用本发明任一实施例所述的质心标注模型的训练方法得到的，所述标准对象图像中包含的标注对象的标注数量小于或等于所述预测对象图像中包含的标注对象的分割数量。

13、根据本发明另一个实施例提供了一种质心标注模型的训练装置，该装置包括：

14、预测质心数据输出模块，用于将质心训练图像输入到未训练完成的初始质心标注模型中，得到输出的预测质心数据；

15、质心损失函数确定模块，用于基于所述预测质心数据和标准质心数据，确定偏移量损失函数，并基于所述偏移量损失函数，确定质心损失函数；

16、目标质心标注模型确定模块，用于基于所述质心损失函数，对所述初始质心标注模型的模型参数进行调整，直到所述质心损失函数收敛时，得到训练完成的目标质心标注模型；

17、其中，所述偏移量损失函数包括距离损失函数和/或方向损失函数，所述距离损失函数表征所述预测质心数据对应的质心候选点对的偏移距离的损失量，所述方向损失函数表征所述预测质心数据对应的质心候选点对的偏移方向的损失量。

18、根据本发明另一个实施例提供了一种对象分割模型的训练装置，该装置包括：

19、目标质心数据输出模块，用于将质心测试图像输入到预先训练完成的目标质心标注模型中，得到输出的目标质心数据；

20、对象训练图像块获取模块，用于基于所述目标质心数据中的至少一个质心目标点分别对应的目标质心坐标，获取所述质心测试图像中的至少一个对象训练图像块；

21、预测对象图像输出模块，用于将各所述对象训练图像块分别输入到未训练完成的初始对象分割模型中，得到输出的预测对象图像；

22、目标对象分割模型确定模块，用于基于所述预测对象图像和标准对象图像，对所述初始对象分割模型的模型参数进行调整，得到训练完成的目标对象分割模型；

23、其中，所述目标质心标注模型是采用本发明任一实施例所述的质心标注模型的训练方法得到的，所述标准对象图像中包含的标注对象的标注数量小于或等于所述预测对象图像中包含的标注对象的分割数量。

24、根据本发明另一个实施例提供了一种电子设备，该电子设备包括：

25、至少一个处理器；以及

26、与所述至少一个处理器通信连接的存储器；其中，

27、所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的质心标注模型的训练方法和/或对象分割模型的训练方法。

28、根据本发明另一个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存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的质心标注模型的训练方法和/或对象分割模型的训练方法。

29、本发明实施例的技术方案，通过基于标准质心数据和未训练完成的初始质心标注模型输出的预测质心数据，确定偏移量损失函数，并基于偏移量损失函数，确定质心损失函数，基于质心损失函数，对初始质心标注模型的模型参数进行调整，直到质心损失函数收敛时，得到训练完成的目标质心标注模型，其中，偏移量损失函数包括距离损失函数和/或方向损失函数，距离损失函数表征预测质心数据对应的质心候选点对的偏移距离的损失量，方向损失函数表征预测质心数据对应的质心候选点对的偏移方向的损失量，解决了人工标注质心效率低的问题，提高了质心标注的准确度，进一步提高了后续对象分割模型的训练效果。

30、应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

技术特征：

1.一种质心标注模型的训练方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述基于所述预测质心数据和标准质心数据，确定偏移量损失函数，包括：

3.根据权利要求2所述的方法，其特征在于，所述基于所述预测质心数据中至少两个质心候选点分别对应的预测质心坐标，确定预测参数数据，包括：

4.根据权利要求3所述的方法，其特征在于，所述基于所述预测参数数据和所述标准参数数据，确定偏移量损失函数，包括：

5.根据权利要求3所述的方法，其特征在于，所述基于所述预测参数数据和所述标准参数数据，确定偏移量损失函数，包括：

6.根据权利要求1-5任一项所述的方法，其特征在于，所述方法还包括：

7.一种对象分割模型的训练方法，其特征在于，包括：

8.根据权利要求7所述的方法，其特征在于，所述基于所述目标质心数据中的至少一个质心目标点分别对应的目标质心坐标，获取所述质心测试图像中的至少一个对象训练图像块，包括：

9.一种质心标注模型的训练装置，其特征在于，包括：

10.一种质心标注模型的训练装置，其特征在于，包括：

11.一种电子设备，其特征在于，所述电子设备包括：

12.一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存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-6中任一项所述的质心标注模型的训练方法，和/或，权利要求7-8中任一项所述的对象分割模型的训练方法。

技术总结
本发明公开了一种质心标注模型的训练方法及对象分割模型的训练方法，涉及人工智能技术领域。该方法包括：将质心训练图像输入到未训练完成的初始质心标注模型中，得到输出的预测质心数据；基于预测质心数据和标准质心数据，确定偏移量损失函数，并基于偏移量损失函数，确定质心损失函数；基于质心损失函数，对初始质心标注模型的模型参数进行调整，直到质心损失函数收敛时，得到训练完成的目标质心标注模型；其中，偏移量损失函数包括距离损失函数和/或方向损失函数。本发明实施例解决了人工标注质心效率低的问题，提高了质心标注的准确度，进一步提高了后续对象分割模型的训练效果。

技术研发人员：吴继鹏,尚鹏,苏栋楠,魏风,王通
受保护的技术使用者：中国科学院深圳先进技术研究院
技术研发日：
技术公布日：2024/1/15