本申請提供了一種圖像分割模型訓練方法、圖像分割方法、裝置及電子設備，其中，圖像分割模型訓練方法包括：獲取訓練圖像集中的各圖像的興趣區域圖像，以得到訓練圖像集對應的興趣圖像集；將訓練圖像集與興趣圖像集輸入初始神經網絡模型進行模型訓練，以得到圖像分割模型。

技術領域

本申請涉及計算機技術領域，具體而言，涉及一種圖像分割模型訓練方法、圖像分割方法、裝置及電子設備。

背景技術

圖像分割是指把圖像分成若干個特定的、具有獨特性質的區域然后提取出感興趣目標的技術和過程，也就是在一幅圖像中，把目標從背景中分離出來。由于圖像中包括背景、缺陷、目標圖像等信息，導致圖像中的信息復雜、干擾因素多等因素，導致目前的圖像的分割的精準度較低。

發明內容

有鑒于此，本申請實施例的目的在于提供一種圖像分割模型訓練方法、圖像分割方法、裝置及電子設備。能夠達到提高圖像分割的準確率的效果。

第一方面，實施例提供一種圖像分割模型訓練方法，包括：

獲取訓練圖像集中的各圖像的興趣區域圖像，以得到所述訓練圖像集對應的興趣圖像集；

將所述訓練圖像集與所述興趣圖像集輸入初始神經網絡模型進行模型訓練，以得到圖像分割模型。

在可選的實施方式中，所述獲取訓練圖像集中的各圖像的興趣區域圖像，以得到所述訓練圖像集對應的興趣圖像集的步驟，包括：

接收對所述訓練圖像集中的各圖像中的選擇操作，所述選擇操作用于選擇各圖像中的興趣區域；

根據所述選擇操作截取各圖像中的興趣區域圖像，以得到所述訓練圖像集對應的興趣圖像集。

在可選的實施方式中，所述將所述訓練圖像集與所述興趣圖像集輸入初始神經網絡模型進行模型訓練，以得到圖像分割模型的步驟，包括：

根據所述訓練圖像集和所述興趣圖像集中的圖像數據計算當前神經網絡模型的當前損失值，所述當前神經網絡模型為所述初始神經網絡模型或更新待確定參數后得到的當前神經網絡模型；

當所述損失值大于設定值時，更新所述當前神經網絡模型的待確定參數得到更新的當前神經網絡模型；

當所述損失值小于設定值，或更新所述待確定參數的次數達到指定次數時，將當前神經網絡模型作為圖像分割模型。

本申請實施例提供的圖像分割模型訓練方法，還可以循環訓練模型，使模型能夠達到設定的要求，從而使訓練出來的圖像分割模型的分割準確率更高。

在可選的實施方式中，所述當所述損失值大于設定值時，更新所述當前神經網絡模型的待確定參數得到更新的當前神經網絡模型的步驟，包括：

當所述損失值大于設定值時，使用逐層反向調節的方式更新所述當前神經網絡模型的待確定參數得到更新的當前神經網絡模型。

本申請實施例提供的圖像分割模型訓練方法，還可以使用逐層反向調節的方式對參數進行調整，從而可以使模型訓練的速度相對更快。

在可選的實施方式中，所述初始神經網絡模型為DenseNet網絡模型，所述DenseNet網絡模型包括一個卷積層、一個池化層、多個密集塊、多個過渡層、一個全局池化層和一個全連接層。

在可選的實施方式中，所述多個密集塊包括四個密集塊，其中，第三個密集塊和第四個密集塊為空洞卷積；所述全連接層為多孔空間金字塔池化模塊；每個密集塊的各層特征使用跳躍連接進行連接，各個密集塊的輸出特征也使用跳躍連接進行連接。