一种图像实例分割方法及装置与流程

技术特征：
1.一种图像实例分割方法，其特征在于，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。2.根据权利要求1所述的图像实例分割方法，其特征在于，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。3.根据权利要求2所述的图像实例分割方法，其特征在于，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类别的偏差值，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。4.根据权利要求2或3所述的图像实例分割方法，其特征在于，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。5.根据权利要求2或3所述的图像实例分割方法，其特征在于，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。6.根据权利要求1-3中任一项所述的图像实例分割方法，其特征在于，所述初始网络模型为mask-rcnn网络模型。7.一种图像实例分割装置，其特征在于，包括：构建模块，用于构建实例分割的初始网络模型；确定模块，用于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；所述确定模块，还用于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。8.根据权利要求7所述的图像实例分割装置，其特征在于，所述确定模块具体用于：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。9.一种图像实例分割装置，其特征在于，包括至少一个处理器，所述至少一个处理器用于与存储器耦合，读取并执行所述存储器中的指令，以实现如权利要求1至6中任一项所述的图像实例分割方法。10.一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上存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行如权利要求1至6中任意一项所述的图像实例分割方法。

技术总结
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。的背景中分割出来。的背景中分割出来。


技术研发人员：樊英 王文涛 李丽萍 李翠
受保护的技术使用者：西安天和防务技术股份有限公司
技术研发日：2022.08.30
技术公布日：2022/11/18