本公开涉及一种训练一分割模型的方法及装置，特别涉及一种使用一图像产生器训练一分割模型的方法及装置。
背景技术：
1、图像分割是图像处理技术领域中一个至关重要的技术，因为它是作为图像处理的前期步骤，分割的好坏直接影响到后续处理过程的结果，如特征提取、目标识别等。
2、目前用于训练分割模型参数的图像使用标记图像(labeled image)。标记图像可以定义为已知分类结果的一组特征值。分类结果通常称为标记。未标记图像(unlabeledimage)可以定义为分类结果未知的一组特征值。
3、然而，标记图像通常难以获取和/或获取成本高昂。此外，通常需要大量标记图像才能产生准确的分割模型，这使得获取标记图像的任务更加艰巨。
4、因此，需要一种训练分割模型的方法及装置，以达到可使用标记图像和未标记图像的组合来产生更准确分割模型的目的。
技术实现思路
1、以下公开的内容仅为示例性的，且不意指以任何方式加以限制。除所述说明方面、实施方式和特征之外，通过参照附图和下述具体实施方式，其他方面、实施方式和特征也将显而易见。即，以下公开的内容被提供以介绍概念、重点、益处及本文所描述新颖且非显而易见的技术优势。所选择，非所有的，实施例将进一步详细描述如下。因此，以下公开的内容并不意旨在所要求保护主题的必要特征，也不意旨在决定所要求保护主题的范围中使用。
2、因此，本公开的主要目的即在于提供一种训练分割模型的方法及装置。
3、本公开提出一种训练分割模型的方法，包括：使用多个第一训练图像训练一分割模型；使用多个第二训练图像训练一图像产生器；将真实图像输入至上述分割模型，以产生预测标注图像(annotation image)；将上述预测标注图像输入至上述图像产生器，以产生虚假图像；以及根据上述真实图像与上述虚假图像之间的差异所造成的损失更新上述分割模型及上述图像产生器。
4、在一些实施例中，上述第一训练图像为标记图像(labeled image)。
5、在一些实施例中，上述真实图像为标记图像(labeled image)。
6、在一些实施例中，上述真实图像包括标记图像(labeled image)及未标记图像(unlabeled image)。
7、在一些实施例中，上述分割模型基于一vgg-unet模型。
8、在一些实施例中，上述图像产生器基于具有像素对像素(pixel to pixel)的一生成对抗网络(generative adversarial network，gan)模型。
9、本公开提出一种训练分割模型的装置，包括：一或多个处理器；以及一或多个计算机存储介质，存储计算机可读指令，其中上述处理器使用上述计算机存储介质以执行：使用多个第一训练图像训练一分割模型；使用多个第二训练图像训练一图像产生器；将真实图像输入至上述分割模型，以产生预测标注图像(annotation image)；将上述预测标注图像输入至上述图像产生器，以产生虚假图像；以及根据上述真实图像与上述虚假图像之间的差异所造成的损失更新上述分割模型及上述图像产生器。
1.一种训练分割模型的方法，包括：
2.如权利要求1所述的训练分割模型的方法，其中上述第一训练图像为标记图像(labeledimage)。
3.如权利要求1所述的训练分割模型的方法，其中上述真实图像为标记图像(labeledimage)。
4.如权利要求1所述的训练分割模型的方法，其中上述真实图像包括标记图像(labeledimage)及未标记图像(unlabeledimage)。
5.如权利要求1所述的训练分割模型的方法，其中上述分割模型基于vgg-unet模型。
6.如权利要求1所述的训练分割模型的方法，其中上述图像产生器基于具有像素对像素(pixeltopixel)的生成对抗网络(generativeadversarialnetwork，gan)模型。
7.一种训练分割模型的装置，包括：
8.如权利要求7所述的训练分割模型的装置，其中上述第一训练图像为标记图像(labeledimage)。
9.如权利要求7所述的训练分割模型的装置，其中上述真实图像为标记图像(labeledimage)。
10.如权利要求7所述的训练分割模型的装置，其中上述真实图像包括标记图像(labeledimage)及未标记图像(unlabeledimage)。
