基于人工智能的实例分割模型训练方法、装置、存储介质与流程

1.本发明涉及但不限于人工智能技术领域，尤其涉及一种基于人工智能的实例分割模型训练方法、装置、存储介质。


背景技术：

2.对街景图像数据集进行实例分割是无人驾驶汽车的主要支撑技术，无人驾驶汽车系统中的实例分割模型根据街景图像数据识别出周围道路、车辆和障碍物信息，并根据周围道路、车辆和障碍物信息进行决策，从而控制车辆的方向和速度大小。因此，实例分割模型的表现直接关系到了无人驾驶汽车的安全性、稳定性和舒适性。
3.在实际应用中，获取到的街景图像数据集，即用于训练实例分割模型的训练数据集，往往服从长尾分布，即少数训练数据占据了绝大多数的出现次数，而大多数训练数据则出现频率较低，造成训练数据类别分布的不均衡，从而导致实例分割模型的准确率较低。


技术实现要素：

4.以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
5.本发明实施例提供了一种基于人工智能的实例分割模型训练方法、装置、存储介质，能够提高实例分割模型的准确率。
6.第一方面，本发明实施例提供了一种基于人工智能的实例分割模型训练方法，包括：
7.获取长尾分布图像数据集；
8.从所述长尾分布图像数据集中获取第一样本和第二样本，所述第一样本包括尾部类别图像，所述第二样本与所述第一样本互不相同；
9.确定所述第一样本中尾部类别图像的第一位置信息，根据所述第一位置信息对所述第一样本进行裁剪，得到目标尾部类别图像；
10.获取第一尺寸和第二尺寸，其中，所述第一尺寸为所述目标尾部类别图像的图像尺寸，所述第二尺寸为所述第二样本的图像尺寸；
11.根据所述第一位置信息、第一尺寸和所述第二尺寸确定所述目标尾部类别图像在所述第二样本的目标应用位置信息；
12.根据所述目标应用位置信息将所述目标尾部类别图像应用于所述第二样本，得到训练数据；
13.获取预设的实例分割模型，根据所述训练数据和预置的损失函数对所述实例分割模型进行训练，得到目标实例分割模型。
14.在一实施例中，在根据所述第一位置信息对所述第一样本进行裁剪，得到目标尾部类别图像之后，还包括：
15.对所述目标尾部类别图像进行数据增强，得到新的目标尾部类别图像。
16.在一实施例中，在所述根据目标应用位置信息将目标尾部类别图像应用于第二样本之前，还包括：
17.根据所述第一尺寸、所述第二尺寸得到缩放因子；
18.根据所述缩放因子对所述目标尾部类别图像进行尺寸调整。
19.在一实施例中，所述根据所述第一位置信息、第一尺寸和所述第二尺寸确定所述目标尾部类别图像在所述第二样本的目标应用位置信息，包括：
20.获取第二横坐标信息，所述第二横坐标信息由所述第一横坐标信息乘以所述第二高度与所述第一高度的比值得到；
21.获取第二纵坐标信息，所述第二纵坐标信息由所述第一纵坐标信息乘以所述第二宽度与所述第一宽度的比值得到；
22.将所述第二横坐标信息和所述第二纵坐标信息确定为所述目标应用位置信息。
23.在一实施例中，所述根据所述第一尺寸、所述第二尺寸得到缩放因子，包括：
24.获取第一中间值，所述第一中间值由所述第一宽度乘以所述第一高度得到；
25.获取第二中间值，所述第二中间值由所述第二宽度乘以所述第二高度得到；
26.将所述第二中间值除以所述第一中间值得到的数值确定为所述缩放因子。
27.在一实施例中，所述损失函数包括分类损失函数，所述分类损失函数的具体公式如下：
28.其中，l
cls
(z)为分类损失值，z为预设的激活函数，yi为样本的真实值，i为第一类别标记，ni为不同类别的样本数量，j为第二类别标记，σi根据以下公式确定：
[0029][0030]sij
根据以下公式确定：
[0031][0032]
在一实施例中，所述损失函数包括分割损失函数，所述分割损失函数的具体公式如下：
[0033][0034]
其中，根据以下公式确定：
[0035][0036]
其中，pm为类别m的分割预测结果，s
bbox
为预测边框的面积，s
mask
为分割掩膜的面积。
[0037]
第二方面，本发明实施例提供了一种实例分割模型训练装置，包括：
[0038]
第一获取模块，所述第一获取模块用于获取长尾分布图像数据集；
[0039]
第二获取模块，所述第二获取模块用于从所述长尾分布图像数据集中获取第一样本和第二样本，所述第一样本包括尾部类别图像，所述第二样本与所述第一样本互不相同；
[0040]
目标尾部类别图像确定模块，所述目标尾部类别图像确定模块用于确定所述第一样本中尾部类别图像的第一位置信息，并根据所述第一位置信息对所述第一样本进行裁剪，得到目标尾部类别图像；
[0041]
第三获取模块，所述第三获取模块用于获取第一尺寸和第二尺寸，其中，所述第一尺寸为所述目标尾部类别图像的图像尺寸，所述第二尺寸为所述第二样本的图像尺寸；
[0042]
目标应用位置信息确定模块，所述目标应用位置信息确定模块用于根据所述第一位置信息、第一尺寸和所述第二尺寸确定所述目标尾部类别图像在所述第二样本的目标应用位置信息；
[0043]
训练数据确定模块，所述训练数据确定模块用于根据所述目标应用位置信息将所述目标尾部类别图像应用于所述第二样本，得到训练数据；
[0044]
模型训练模块，所述模型训练模块用于获取预设的实例分割模型，根据所述训练数据和预置的损失函数对所述实例分割模型进行训练，得到目标实例分割模型。
[0045]
第三方面，本发明实施例提供了一种实例分割模型训练装置，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如第一方面任意一项实施例所述的基于人工智能的实例分割模型训练方法。
[0046]
第四方面，本发明实施例还提供了一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行如第一方面任意一项实施例所述的基于人工智能的实例分割模型训练方法。
[0047]
本发明实施例包括一种基于人工智能的实例分割模型训练方法、装置、存储介质，其中，基于人工智能的实例分割模型训练方法包括：获取长尾分布图像数据集；从所述长尾分布图像数据集中获取第一样本和第二样本，所述第一样本包括尾部类别图像，所述第二样本与所述第一样本互不相同；确定所述第一样本中尾部类别图像的第一位置信息，根据所述第一位置信息对所述第一样本进行裁剪，得到目标尾部类别图像；获取第一尺寸和第二尺寸，其中，所述第一尺寸为所述目标尾部类别图像的图像尺寸，所述第二尺寸为所述第二样本的图像尺寸；根据所述第一位置信息、第一尺寸和所述第二尺寸确定所述目标尾部类别图像在所述第二样本的目标应用位置信息；根据所述目标应用位置信息将所述目标尾部类别图像应用于所述第二样本，得到训练数据；获取预设的实例分割模型，根据所述训练
数据和预置的损失函数对所述实例分割模型进行训练，得到目标实例分割模型。根据本技术的技术方案，能够有效均衡长尾分布图像数据的数据类别分布，提高实例分割模型的准确率。
[0048]
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
[0049]
附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。
[0050]
图1是本发明一个实施例提供的基于人工智能的实例分割模型训练方法的步骤流程图；
[0051]
图2是本发明另一个实施例提供的对目标尾部类别图像进行数据增强的步骤流程图；
[0052]
图3是本发明另一个实施例提供的对目标尾部类别图像进行尺寸调整的步骤流程图；
[0053]
图4是本发明另一个实施例提供的获得目标应用位置信息的步骤流程图；
[0054]
图5是本发明另一个实施例提供的获得缩放因子的步骤流程图；
[0055]
图6是本发明另一个实施例提供的实例分割模型训练装置的模块示意图；
[0056]
图7是本发明另一个实施例提供的实例分割模型训练装置的结构图。
具体实施方式
[0057]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0058]
需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书、权利要求书或上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
[0059]
本发明提供了一种基于人工智能的实例分割模型训练方法、装置、存储介质，其中，基于人工智能的实例分割模型训练方法包括：获取长尾分布图像数据集；从所述长尾分布图像数据集中获取第一样本和第二样本，所述第一样本包括尾部类别图像，所述第二样本与所述第一样本互不相同；确定所述第一样本中尾部类别图像的第一位置信息，根据所述第一位置信息对所述第一样本进行裁剪，得到目标尾部类别图像；获取第一尺寸和第二尺寸，其中，所述第一尺寸为所述目标尾部类别图像的图像尺寸，所述第二尺寸为所述第二样本的图像尺寸；根据所述第一位置信息、第一尺寸和所述第二尺寸确定所述目标尾部类别图像在所述第二样本的目标应用位置信息；根据所述目标应用位置信息将所述目标尾部类别图像应用于所述第二样本，得到训练数据；获取预设的实例分割模型，根据所述训练数据和预置的损失函数对所述实例分割模型进行训练，得到目标实例分割模型。根据本技术
的技术方案，能够有效均衡长尾分布图像数据的数据类别分布，提高实例分割模型的准确率。
[0060]
本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用装置。
[0061]
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互装置、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
[0062]
本发明实施例所提及的终端可以是智能手机、平板电脑、笔记本电脑、台式电脑、车载计算机、智能家居、可穿戴电子设备、vr(virtual reality，虚拟现实)/ar(augmented reality，增强现实)设备等等；服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器，等等。
[0063]
需要说明的是，本发明实施例的数据可以保存在服务器中，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
[0064]
下面结合附图，对本发明实施例作进一步阐述。
[0065]
如图1所示，图1是本发明一个实施例提供的基于人工智能的实例分割模型训练方法的步骤流程图，该实例分割模型训练方法包括但不限于有以下步骤：
[0066]
步骤s110，获取长尾分布图像数据集；
[0067]
步骤s120，从长尾分布图像数据集中获取第一样本和第二样本，第一样本包括尾部类别图像，第二样本与第一样本互不相同；
[0068]
步骤s130，确定第一样本中尾部类别图像的第一位置信息，根据第一位置信息对第一样本进行裁剪，得到目标尾部类别图像；
[0069]
步骤s140，获取第一尺寸和第二尺寸，其中，第一尺寸为目标尾部类别图像的图像尺寸，第二尺寸为第二样本的图像尺寸；
[0070]
步骤s150，根据第一位置信息、第一尺寸和第二尺寸确定目标尾部类别图像在第二样本的目标应用位置信息；
[0071]
步骤s160，根据目标应用位置信息将目标尾部类别图像应用于第二样本，得到训练数据；
[0072]
步骤s170，获取预设的实例分割模型，根据训练数据和预置的损失函数对实例分割模型进行训练，得到目标实例分割模型。
[0073]
需要说明的是，本技术实施例并不限制长尾分布图像数据集的场景类型，以及获取方法，可以理解的是，本技术实施例的实例分割模型训练方法的应用场景可以是无人驾驶应用场景，长尾分布图像数据集可以是街景图像数据，从现有公开的数据集，如
cityscape数据集中获取，还可以是通过无人驾驶汽车的摄像头中获取第一图像集，并对第一图像集进行尾部数据或头部数据的标注，从而实现为训练实例分割模型提供数据基础。
[0074]
可以理解的是，第一样本为包括尾部类别图像的图像，第二样本与第一样本互不相同，即第二样本中不包括尾部类别图像的图像，获取第一样本和第二样本能够为获取训练数据提供有效的数据基础。
[0075]
需要说明的是，本技术实施例并不对获取第一样本和第二样本的具体方式做限制，当长尾分布图像数据集中的每个图像都携带有尾部类别标签或头部类别标签，可以根据尾部类别标签从长尾分布图像数据集获取第一样本，根据头部类别标签从长尾分布图像数据集获取第二样本，尾部类别标签或头部类别标签的获取方式为本领域技术人员所熟知，可以根据长尾分布图像数据集的标注信息得到，同时，本技术实施例也不限制尾部类别标签或头部类别标签的具体内容，本领域技术人员根据实际情况进行调整即可。
[0076]
可以理解的是，可以通过第一样本的尾部类别标签确定第一样本中尾部类别图像的第一位置信息，根据第一位置信息对第一样本进行裁剪，得到目标尾部类别图像，能够为获取训练数据提供有效的数据基础。
[0077]
可以理解的是，获取目标尾部类别图像的图像尺寸，即第一尺寸，以及获取第二样本的图像尺寸，即第二尺寸，能够为目标尾部类别图像应用于第二样本提供有效的数据基础，需要说明的是，获取第一尺寸和第二尺寸的具体方式为本领域技术人员所熟知，本技术实施例在此不多做赘述。
[0078]
可以理解的是，根据第一位置信息、第一尺寸和第二尺寸确定目标尾部类别图像在第二样本的目标应用位置信息，能够有效保障目标尾部类别图像应用于第二样本的状态下，目标尾部类别图像不会超出第二样本的图幅范围，并且，相较于从图像中用模型挖掘语义信息以确定粘贴位置的剪切与粘贴增强方法，本技术实施例的技术方案计算量小，耗时少，不需要引入额外的监督信息。
[0079]
需要说明的是，本技术实施例并不涉及实例分割模型的改进，本领域技术人员可以根据实际情况选择具体的实例分割模型，可以是mask-rcnn模型、faster-rcnn模型等。
[0080]
可以理解的是，实际应用中用于模型训练的数据集大多呈现长尾分布，长尾分布是一种特殊的非对称分布，其中一部分类别包含的数据量非常多，称为头部类别，而相对应的另一部分类别所包含的数据量非常少，称为尾部类别，根据本技术的技术方案，从长尾分布图像数据集中获取第一样本和第二样本，第一样本包括尾部类别图像，第二样本与第一样本互不相同，确定第一样本中尾部类别图像的第一位置信息，根据第一位置信息对第一样本进行裁剪，得到目标尾部类别图像；获取第一尺寸和第二尺寸，其中，第一尺寸为目标尾部类别图像的图像尺寸，第二尺寸为第二样本的图像尺寸；根据第一位置信息、第一尺寸和第二尺寸确定目标尾部类别图像在第二样本的目标应用位置信息；根据目标应用位置信息将目标尾部类别图像应用于第二样本，得到训练数据，使得训练数据中的尾部类别数据和头部类别数据能够分布均衡，从而提高实例分割模型的准确率。
[0081]
另外，参照图2，在一实施例中，在图1所示实施例中的步骤s130之后，还包括但不限于有以下步骤：
[0082]
步骤s210，对目标尾部类别图像进行数据增强，得到新的目标尾部类别图像。
[0083]
可以理解的是，为了提高实例分割模型的鲁棒性和泛化能力，往往需要利用大规
模的数据对实例分割模型进行训练。在现实情况中，经常会存在训练数据不足的情况，此时，数据增强技术就显得尤为重要。因此，对目标尾部类别图像进行数据增强，能够增大训练数据的数量并且提高训练数据的多样性。
[0084]
需要说明的是，本技术实施例并不限制数据增强的具体方式，可以是通过几何变换方法，例如对图像数据进行翻转，旋转，裁剪，缩放，平移，或抖动处理，还可以是通过像素变换方法，通过调节图像亮度、调节白平衡等。
[0085]
另外，参照图3，在一实施例中，在图1所示实施例中的步骤s160之前，还包括但不限于有以下步骤：
[0086]
步骤s310，根据第一尺寸、第二尺寸得到缩放因子；
[0087]
步骤s320，根据缩放因子对目标尾部类别图像进行尺寸调整。
[0088]
可以理解的是，根据第一尺寸、第二尺寸得到缩放因子，并根据缩放因子对目标尾部类别图像进行尺寸调整，能够使得目标尾部类别图像应用于第二样本时，不会超出第二样本的图幅范围。
[0089]
另外，参考图4，在一实施例中，第一尺寸包括第一宽度和第一高度，第二尺寸包括第二宽度和第二高度，第一位置信息包括第一横坐标信息和第一纵坐标信息，图1所示实施例中的步骤s150包括但不限于有以下步骤：
[0090]
步骤s410，获取第二横坐标信息，第二横坐标信息由第一横坐标信息乘以第二高度与第一高度的比值得到；
[0091]
步骤s420，获取第二纵坐标信息，第二纵坐标信息由第一纵坐标信息乘以第二宽度与第一宽度的比值得到；
[0092]
步骤s430，将第二横坐标信息和第二纵坐标信息确定为目标应用位置信息。
[0093]
需要说明的是，本技术实施例可以应用于无人驾驶场景，长尾分布图像数据集可以是包括尾部类别的交通工具实例的街景图像数据，如火车、货车、巴士和摩托车等。作为交通工具，它们均与道路表面接触，本方案在确定目标尾部类别图像在第二样本的目标应用位置信息时考虑了这一点，将包围目标尾部类别图像中道路标签的最小外接矩形宽，即第一宽度标记为w1，将包围目标尾部类别图像中道路标签的最小外接矩形高，即第一高度标记为h1，将被粘贴的不含长尾类别的图像，即第二样本中道路标签的最小外接矩形宽，即第二宽度标记为w2，和将被粘贴的不含长尾类别的图像，即第二样本中道路标签的最小外接矩形高，及第二高度标记为h2，目标尾部类别图像在第一样本中的位置信息为(x1,y1)，x1为第一位置信息中的第一横坐标信息，y1为第一位置信息中的第一纵坐标信息，目标尾部类别图像在第二样本的目标应用位置信息，即第二横坐标信息和第二纵坐标信息(x2，y2)的具体获取方式根据以下公式实现：
[0094][0095][0096]
可以理解的是，根据目标应用位置信息将目标尾部类别图像应用于第二样本，得
到训练数据，获取预设的实例分割模型，根据训练数据和预置的损失函数对实例分割模型进行训练，得到目标实例分割模型，从而能够有效均衡长尾分布图像数据的数据类别分布，提高实例分割模型的准确率。
[0097]
另外，参考图5，在一实施例中，图3所示实施例中的步骤s310包括但不限于有以下步骤：
[0098]
步骤s510，获取第一中间值，第一中间值由第一宽度乘以第一高度得到；
[0099]
步骤s520，获取第二中间值，第二中间值由第二宽度乘以第二高度得到；
[0100]
步骤s530，将第二中间值除以第一中间值得到的数值确定为缩放因子。
[0101]
需要说明的是，缩放因子的具体获得方式可以根据以下公式实现：
[0102][0103]
其中，s为所述缩放因子，w1、h1、w2、h2、x1、x2和y2的具体释义在上述实施例已详细说明，在此不多做赘述。
[0104]
需要说明的是，本技术实施例还提供了对缩放因子s的约束方法，能够有效增强数据的多样性，从而增强模型的鲁棒性，具体约束公式如下：
[0105][0106]
在本技术的一实施例中，实例分割模型的应用场景为无人驾驶技术领域，训练数据为街景图像数据，由于街景图像数据中的实例大小差异不唯一，可以差异较大，比如火车和交通信号灯，如果实例分割模型较多的使用大的边框(bounding box)和小的掩膜(mask)，将不利于实例分割模型对特征的挖掘，为了引导实例分割模型能够预测出面积不会差距过大的边框和掩膜，同时，为了避免在长尾分布的数据集，分类器往往倾向于对更多出现的类别给予高的预测分值，根据本技术的技术方案，在根据街景图像数据对实例分割模型进行训练的情况下，提出通过分类损失函数以及分割损失函数对实例分割模型进行训练。
[0107]
其中，分类损失函数的具体公式如下：
[0108][0109]
其中，l
cls
(z)为分类损失值，z为预设的激活函数，yi为样本的真实值，i为第一类别标记，ni为不同类别的样本数量，j为第二类别标记，σi根据以下公式确定：
[0110][0111]sij
根据以下公式确定：
[0112][0113]
需要说明的是，本技术实施例并不限制激活函数z的选择，本领域技术人员可以根据实际情况选用激活函数，在本技术实施例中，z可以根据以下公式得到：
[0114][0115]
可以理解的是，分类损失函数随不同类别样本相对比例动态变化，具体是通过类别样本相对比例，本技术实施例根据约束s
ij
对各类别惩罚的权重进行调整。在对样本较多和较少类别采取不同惩罚的同时，本实施例提供的损失函数并不会显式地区分头部和尾部类别，整个损失计算过程保持了流畅性。此外，正是由于损失函数能够自动学习不同类别样本相对比例，以调整对各类别惩罚的权重，不需要提前计算类别分布或是依赖特别设计的数据采样方式。
[0116]
其中，分割损失函数的具体公式如下：
[0117][0118]
其中，根据以下公式确定：
[0119][0120]
其中，pm为类别m的分割预测结果，s
bbox
为预测边框的面积，s
mask
为分割掩膜的面积。
[0121]
可以理解的是，通过判断边框和分割掩膜面积比例设置交叉熵的权重，对两者面积比例差距大的预测做出更大的惩罚，从而减少特征信息的损失，从而提高实例分割模型的泛化能力。
[0122]
另外，参照图6，图6是本发明另一个实施例提供的实例分割模型训练装置600的模块示意图，本发明的一个实施例还提供了一种实例分割模型训练装置600，该实例分割模型训练装置600包括第一获取模块610、第二获取模块620、目标尾部类别图像确定模块630、第三获取模块640、目标应用位置信息确定模块650、训练数据确定模块660和模型训练模块670，其中，第一获取模块610用于获取长尾分布图像数据集；第二获取模块620用于从长尾分布图像数据集中获取第一样本和第二样本，第一样本包括尾部类别图像，第二样本与第一样本互不相同；目标尾部类别图像确定模块630用于确定第一样本中尾部类别图像的第一位置信息，并根据第一位置信息对第一样本进行裁剪，得到目标尾部类别图像；第三获取模块640用于获取第一尺寸和第二尺寸，其中，第一尺寸为目标尾部类别图像的图像尺寸，第二尺寸为第二样本的图像尺寸；目标应用位置信息确定模块650用于根据第一位置信息、
第一尺寸和第二尺寸确定目标尾部类别图像在第二样本的目标应用位置信息；训练数据确定模块660用于根据目标应用位置信息将目标尾部类别图像应用于第二样本，得到训练数据；模型训练模块670用于获取预设的实例分割模型，根据训练数据和预置的损失函数对实例分割模型进行训练，得到目标实例分割模型。
[0123]
另外，参考图7，图7是本发明另一个实施例提供的实例分割模型训练装置700的结构图，本发明的一个实施例还提供了一种实例分割模型训练装置700，该实例分割模型训练装置700包括：存储器710、处理器720及存储在存储器710上并可在处理器720上运行的计算机程序。
[0124]
处理器720和存储器710可以通过总线或者其他方式连接。
[0125]
实现上述实施例的基于人工智能的实例分割模型训练方法所需的非暂态软件程序以及指令存储在存储器710中，当被处理器720执行时，执行上述实施例中的基于人工智能的实例分割模型训练方法，例如，执行以上描述的图1中的方法步骤s110至方法步骤s170、图2中的方法步骤s210、图3中的方法步骤s310至方法步骤s320、图4中的方法步骤s410至方法步骤s430、图5中的方法步骤s510至方法步骤s530。
[0126]
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0127]
此外，本发明的一个实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个处理器720或控制器执行，例如，被上述实例分割模型训练装置700实施例中的一个处理器720执行，可使得上述处理器720执行上述实施例中的基于人工智能的实例分割模型训练方法，例如，执行以上描述的图1中的方法步骤s110至方法步骤s170、图2中的方法步骤s210、图3中的方法步骤s310至方法步骤s320、图4中的方法步骤s410至方法步骤s430、图5中的方法步骤s510至方法步骤s530。本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于ram、rom、eeprom、闪存或其他存储器技术、cd-rom、数字多功能盘(dvd)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
[0128]
以上是对本发明的较佳实施进行了具体说明，但本发明并不局限于上述实施方式，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本发明权利要求所限定的范围内。