【技术实现步骤摘要】
本申请涉及图像处理，特别是涉及一种图像处理模型训练方法、目标提取方法、计算机程序产品、计算机设备以及计算机可读存储介质。
技术介绍
1、对诸如人体、小动物、物品等目标对象进行提取并赋予掩码时，通常将公开数据集中精确标注的数据作为训练样本，以对图像处理模型进行训练，对公开数据集具有强依赖性。在诸如视频监控、人机交互等场景下，目标对象的位置相较于正视情况下具有相对显著的特征变化，即不同采集角度下目标对象具有分布偏移的情况，容易导致实际掩码提取效果不理想。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种图像处理模型训练方法、目标提取方法、计算机程序产品、计算机设备以及计算机可读存储介质，能够适应不同采集角度图像，从而能够提高目标提取的精度。
2、一方面，提供一种图像处理模型训练方法，图像处理模型训练方法包括：获取训练样本集；训练样本包括平视样本以及角度样本；其中，平视样本表示平视角度采集的样本，角度样本表示非平视角度采集的样本；分别将训练样本输入待训练的图像处理模型进行掩码预测训练，输出训练样本的掩码以划分训练样本中目标对象与环境背景；利用训练损失更新图像处理模型。
3、在本申请的一实施例中，平视样本与部分角度样本携带掩码标注；将训练样本输入待训练的图像处理模型包括：响应于前向相邻第一次数训练输入的训练样本均携带掩码标注，将未携带掩码标注的角度样本输入图像处理模型；其中，前向相邻第一次数表示发生于当前时刻之前且与当前时刻相邻的第一次数；响应于前向相邻第
4、在本申请的一实施例中，将未携带掩码标注的角度样本输入图像处理模型之前包括：评估未携带掩码标注的角度样本内目标对象信息；分析目标对象信息的置信度分数；响应于置信度分数高于置信度阈值，允许将未携带掩码标注的角度样本输入图像处理模型，并将目标对象信息作为其虚拟标签。
5、在本申请的一实施例中，标注包括目标对象的掩码标注以及位置框标注；获取训练样本集包括：获取携带掩码标注的平视样本；获取未携带标注的角度样本，标注部分角度样本内目标对象的掩码，标注其他角度样本内目标对象的位置框，且令携带位置框标注的角度样本少于多于未携带掩码标注的角度样本。
6、在本申请的一实施例中，进行掩码预测训练包括：将训练样本输入与其真实类别匹配的特征提取器，以输出图像特征；其中，各特征提取器之间共享特征提取权重；将图像特征输入类别辨别器，以输出辨别类别，基于辨别类别与真实类别评估辨别损失；将图像特征输入与真实类别匹配的掩码映射器，以输出划分目标对象与环境背景的预测掩码，基于预测掩码与真实值评估掩码损失；融合掩码损失与辨别损失，得到训练损失。
7、在本申请的一实施例中，图像处理模型包括第一模型以及第二模型，第二模型的模型参数量少于第一模型的模型参数量；图像处理模型训练方法还包括：基于训练样本集对第一模型进行训练；通过训练后的第一模型预测角度图像中目标对象的掩码，得到预测掩码；基于角度图像以及预测掩码训练第二模型。
8、另一方面，提供了一种目标提取方法，目标提取方法包括：获取待提取图像；利用图像处理模型提取并标注待提取图像中的目标对象；图像处理模型为利用如上述任一项实施例中的图像处理模型训练方法训练得到的。
9、复一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述任一项实施例中的图像处理模型训练方法的步骤；或，实现上述任一项实施例中的计算机程序产品的步骤。
10、再一方面，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述任一项实施例中的图像处理模型训练方法的步骤；或，实现上述任一项实施例中的计算机程序产品的步骤。
11、又一方面，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一项实施例中的图像处理模型训练方法的步骤；或，实现上述任一项实施例中的计算机程序产品的步骤。
12、上述图像处理模型训练方法、目标提取方法、计算机程序产品、计算机设备以及计算机可读存储介质，在对图像处理模型进行训练时，能够利用平视采集角度的平视样本以及非平视采集角度的角度样本形成训练样本集，以提高图像处理模型适应平视采集角度以及非平视采集角度采集的图像。如是，在对待提取图像内的目标对象进行提取时，能够提高对多种采集角度的自适应能力，提高目标对象的提取精度，进而提高目标提取结果的可靠性。
本文档来自技高网...【技术保护点】
1.一种图像处理模型训练方法，其特征在于，所述图像处理模型训练方法包括：
2.根据权利要求1所述的图像处理模型训练方法，其特征在于，所述平视样本与部分所述角度样本携带掩码标注；
3.根据权利要求2所述的图像处理模型训练方法，其特征在于，所述将未携带掩码标注的角度样本输入所述图像处理模型之前包括：
4.根据权利要求2所述的图像处理模型训练方法，其特征在于，标注包括所述目标对象的掩码标注以及位置框标注；所述获取训练样本集包括：
5.根据权利要求1所述的图像处理模型训练方法，其特征在于，所述进行掩码预测训练包括：
6.根据权利要求1所述的图像处理模型训练方法，其特征在于，所述图像处理模型包括第一模型以及第二模型，所述第二模型的模型参数量少于所述第一模型的模型参数量；
7.一种目标提取方法，其特征在于，所述目标提取方法包括：
8.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-6中任一项所述图像处理模型训练方法的步骤；或，实现权利要求7中任一项所述计算机程序产品的
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-6中任一项所述图像处理模型训练方法的步骤；或，实现权利要求7中任一项所述计算机程序产品的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-6中任一项所述图像处理模型训练方法的步骤；或，实现权利要求7中任一项所述计算机程序产品的步骤。
...【技术特征摘要】
1.一种图像处理模型训练方法，其特征在于，所述图像处理模型训练方法包括：
2.根据权利要求1所述的图像处理模型训练方法，其特征在于，所述平视样本与部分所述角度样本携带掩码标注；
3.根据权利要求2所述的图像处理模型训练方法，其特征在于，所述将未携带掩码标注的角度样本输入所述图像处理模型之前包括：
4.根据权利要求2所述的图像处理模型训练方法，其特征在于，标注包括所述目标对象的掩码标注以及位置框标注；所述获取训练样本集包括：
5.根据权利要求1所述的图像处理模型训练方法，其特征在于，所述进行掩码预测训练包括：
6.根据权利要求1所述的图像处理模型训练方法，其特征在于，所述图像处理模型包括第一模型以及第二模型，所述第二模型的模型参数量少于所述第一模型的模型参数量；
【专利技术属性】
技术研发人员：陈颖，
申请(专利权)人：中科弘拓苏州智能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。