(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210584060.7 (22)申请日 2022.05.25 (71)申请人 北京百度网讯科技有限公司 地址 100085 北京市海淀区上地十街10号 百度大厦2层 (72)发明人 吴俊德　方慧卉　许言午　 (74)专利代理 机构 中科专利商标代理有限责任 公司 11021 专利代理师 杨静 (51)Int.Cl. G06T 7/11(2017.01) G06T 7/00(2017.01) G06V 10/44(2022.01) G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 图像分割方法、 训练方法、 装置、 电子设备以 及存储介质 (57)摘要 本公开提供了一种图像 分割方法、 模 型训练 方法、 装置、 电子设备以及存储介质， 涉及人工智 能技术领域， 尤其涉及计算机视觉、 深度学习技 术领域。 具体实现方案为： 对待分割图像进行N轮 处理， 得到第N图像分割结果， 其中， 第N图像分割 结果满足第一预定条件， N是大于或等于1的整 数； 将第N图像分割结果确定为目标图像分割结 果； 其中， 对待分割图像进行N轮处理， 得到第N图 像分割结果， 包括： 根据第(n ‑1)图像分割结果和 第(n‑1)多专家权重数据， 得到第n图像分割结 果， 其中， 第(n ‑1)多专家权重数据是根据第(n ‑ 1)图像分割结果的相关数据得到的， 其中， n是大 于或等于1且 小于或等于N的整数。 权利要求书6页 说明书28页 附图9页 CN 114913187 A 2022.08.16 CN 114913187 A 1.一种图像分割方法， 包括： 对待分割图像进行N轮处理， 得到第N 图像分割结果， 其中， 所述第N图像分割结果满足 第一预定条件， N是 大于或等于1的整数； 以及 将所述第N图像分割结果确定为目标图像分割结果； 其中， 所述对待分割图像进行N轮处 理， 得到第N图像分割结果， 包括： 根据第(n ‑1)图像分割结果和第(n ‑1)多专家权重数据， 得到第n图像分割结果， 其中， 所述第(n ‑1)多专家权重数据是根据第(n ‑1)图像分割结果的相关数据得到的， 其中， n是大 于或等于1且小于或等于N的整数。 2.根据权利要求1所述的方法， 其 中， 所述根据第(n ‑1)图像分割结果和第(n ‑1)多专家 权重数据， 得到第n图像分割结果， 包括： 根据第(n ‑1)第一中间特 征数据， 得到所述第(n ‑1)多专家权重数据； 根据所述第(n ‑1)图像分割结果和所述第(n ‑1)多专家权重数据， 得到第n第一中间特 征数据； 以及 根据所述第n第一中间特 征数据， 得到所述第n图像分割结果。 3.根据权利 要求2所述的方法， 其中， 所述根据所述第(n ‑1)图像分割结果和所述第(n ‑ 1)多专家权重数据， 得到第n第一中间特 征数据， 包括： 利用第一注意力策略处理所述第(n ‑1)图像分割结果和所述第(n ‑1)多专家权重数据， 得到第n第一中间特征数据， 其中， 所述第(n ‑1)图像分割结果用于作为第一键矩阵和第一 值矩阵， 所述第(n ‑1)多专家权重数据用于作为第一 查询矩阵。 4.根据权利要求3所述的方法， 其中， 所述利用第一注意力策略处理所述第(n ‑1)图像 分割结果和所述第(n ‑1)多专家权重数据， 得到第n第一中间特 征数据， 包括： 利用所述第一注意力策略对所述第(n ‑1)图像分割结果和所述第(n ‑1)多专家权重数 据进行M层级处 理， 得到所述第n第一中间特 征数据， 其中， M是 大于1的整数。 5.根据权利要求4所述的方法， 其中， 所述利用所述第一注意力策略对所述第(n ‑1)图 像分割结果和所述第(n ‑1)多专家权重数据进行多层级处理， 得到所述第n第一中间特征数 据， 包括： 在m＝1的情况下， 利用所述第一注意力策略处理所述第(n ‑1)图像分割结果和所述第 (n‑1)多专家权重数据， 得到与第n轮的第m层级对应的第一中间特 征数据； 在m＞1的情况下， 利用所述第一注意力策略处理与第n轮的第(m ‑1)层级对应的第一中 间特征数据和所述第(n ‑1)多专家权重数据， 得到与第n轮的第 m层级对应的第一中间特征 数据， 其中， 与所述第n轮的第(m ‑1)层级对应的第一中间特征数据用于作为第二键矩阵和 第二值矩阵， 所述第(n ‑1)多专家权重数据用于作为第二 查询矩阵； 以及 根据与第n轮的第T层级对应的第一中间特征数据， 得到所述第 n第一中间特征数据， 其 中， T是大于或等于1且小于或等于 M的整数。 6.根据权利要求5所述的方法， 其中， 所述利用所述第一注意力策略处理与第n轮的第 (m‑1)层级对应的第一中间特征数据和所述第(n ‑1)多专家权重数据， 得到与第n轮的第m层 级对应的第一中间特 征数据， 包括： 利用所述第一注意力策略处理与所述第n轮的第(m ‑1)层级对应的第一中间特征数据 和所述第(n ‑1)多专家权重数据， 得到与第n轮的第m层级对应的第二中间特 征数据； 以及权　利　要　求　书 1/6 页 2 CN 114913187 A 2根据与所述第n轮的第m层级对应的第二中间特征数据和与所述第n轮的第(m ‑1)层级 对应的第一中间特 征数据， 得到与所述第n轮的第m层级对应的第一中间特 征数据。 7.根据权利要求6所述的方法， 其中， 所述根据与所述第 n轮的第m层级对应的第 二中间 特征数据和与所述第n轮的第(m ‑1)层级对应的第一中间特征数据， 得到与所述第n轮的第m 层级对应的第一中间特 征数据， 包括： 根据与所述第n轮的第m层级对应的第二中间特征数据和与所述第n轮的第(m ‑1)层级 对应的第一中间特 征数据， 得到与第n轮的第m层级对应的第三中间特 征数据； 对与所述第 n轮的第m层级对应的第三中间特征数据进行空间变换， 得到与第n轮的第m 层级对应的第四中间特 征数据； 根据与所述第n轮的第m层级对应的第三中间特征数据和第四中间特征数据， 得到与第 n轮的第m层级对应的第五中间特 征数据； 以及 根据与所述第n轮的第m层级对应的第五中间特征数据， 得到与所述第n轮的第m层级对 应的第一中间特 征数据。 8.根据权利 要求2所述的方法， 其中， 所述根据所述第(n ‑1)图像分割结果和所述第(n ‑ 1)多专家权重数据， 得到第n第一中间特 征数据， 包括： 利用第一局部特征提取策略处理所述第(n ‑1)图像分割结果和所述第(n ‑1)多专家权 重数据， 得到所述第n第一中间特 征数据。 9.根据权利要求2～8中任一项所述的方法， 其中， 所述根据第(n ‑1)第一中间特征数 据， 得到所述第(n ‑1)多专家权重数据， 包括： 利用第二注意力策略处理所述第(n ‑1)第一中间特征数据， 得到所述第(n ‑1)多专家权 重数据， 其中， 所述第(n ‑1)第一中间特征数据用于作为第三键矩阵、 第三值矩阵和第三查 询矩阵。 10.根据权利要求9所述的方法， 其中， 所述利用第二注意力策略处理所述第(n ‑1)第一 中间特征数据， 得到所述第(n ‑1)多专家权重数据， 包括： 利用所述第二注意力策略处理所述第(n ‑1)第一中间特征数据， 得到第(n ‑1)第二中间 特征数据； 根据所述第(n ‑1)第二中间特 征数据， 得到第(n ‑1)第三中间特 征数据； 对所述第(n ‑1)第三中间特征数据进行空间变换， 得到第(n ‑1)第四中间特征数据； 以 及 根据所述第(n ‑1)第三中间特征数据和所述第(n ‑1)第四中间特征数据， 得到所述第 (n‑1)多专家权重数据。 11.根据权利要求2～8中任一项所述的方法， 其中， 所述根据第(n ‑1)第一中间特征数 据， 得到所述第(n ‑1)多专家权重数据， 包括： 利用第二局部特征提取策略处理所述第(n ‑1)第一中间特征数据， 得到所述第(n ‑1)多 专家权重数据。 12.一种图像分割模型的训练方法， 包括： 对深度学习模型执行R个模型参数调整周期的训练， 直至满足第 二预定条件， 其中， R是 大于或等于1的整数； 以及 将在满足所述第二预定条件的情况 下得到的深度学习模型确定为所述图像分割模型；权　利　要　求　书 2/6 页 3 CN 114913187 A 3