(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211111509.4 (22)申请日 2022.09.13 (65)同一申请的已公布的文献号 申请公布号 CN 115249306 A (43)申请公布日 2022.10.28 (73)专利权人 腾讯科技 （深圳） 有限公司 地址 518000 广东省深圳市南 山区高新区 科技中一路腾讯大厦3 5层 (72)发明人 曾颖森　沈招益　郑天航　杨思庆　 (74)专利代理 机构 广州嘉权专利商标事务所有 限公司 4 4205 专利代理师 谭英强　孙浩 (51)Int.Cl. G06V 10/26(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 CN 113971727 A,202 2.01.25 CN 114612658 A,202 2.06.10CN 112862840 A,2021.0 5.28 CN 110812845 A,2020.02.21 CN 110363201 A,2019.10.2 2 US 2019244107 A1,2019.08.08 US 202016 0114 A1,2020.0 5.21 CN 109558901 A,2019.04.02 韩铮 等.基 于纹元森林和显著性先验的弱 监督图像语义分割方法. 《电子与信息学报》 .2018,第40卷(第3期), 江岩 等.运用多 级对象语义框架的彩色图 像分割. 《电视技 术》 .2011,第35卷(第11期), Sungmin Cha 等.SSUL: Semantic Segmentati on with Unknown Label for Exemplar-based Clas s-Incremental Learning. 《arXiv》 .2021, Ruoqi Sun 等.N ot All Areas Are Equal: Transfer Learn ing for Semantic Segmentati on via Hierarc hical Regi on Selection. 《2019 IE EE/CVF Conference o n Computer Visi on and Pat tern Recogn ition (CVPR)》 .2020, (续) 审查员 陈琪蒙 (54)发明名称 图像分割模型训练方法、 图像处理方法、 装 置及存储介质 (57)摘要 本发明公开了一种图像 分割模型训练方法、 图像处理方法、 装置及存储介质， 在获取非虚拟 形象图像样 本和非虚拟形象分割标签、 虚拟形象 图像样本和虚拟形象分割标签、 通用图像样本和 显著性分割标签 之后， 先利用非虚拟形象图像样 本对初始 图像分割模型进行训练以得到第一图 像分割模型， 然后利用虚拟形象图像样本和通用 图像样本对第一图像分割模型进行训练以得到 目标图像分割模 型。 本发明实施例能够更为准确 地实现对虚拟形象图像的图像分割。 本发明可以广泛应用于例如人工智能、 智慧交通、 辅助驾驶、 音视频等各种需要对图像进行图像防遮挡处理 的场景的信息处 理技术中。 [转续页] 权利要求书3页 说明书27页 附图15页 CN 115249306 B 2022.12.02 CN 115249306 B (56)对比文件 Suvash Sharma 等.Semantic Segmentati on with Transfer Learn ing for Off-Road Auto nomous Drivi ng. 《sensors》 .2019,2/2 页 2[接上页] CN 115249306 B1.一种图像分割模型训练方法， 其特 征在于， 包括以下步骤： 获取非虚拟形象图像样本和非虚拟形象分割标签、 虚拟形象图像样本和 虚拟形象分割 标签、 通用图像样本和显著性分割标签； 利用所述非虚拟形象图像样本对初始图像分割模型进行训练， 得到第一图像分割模 型， 其中， 在利用所述 非虚拟形象图像样本对所述初始图像分割模型进 行训练的过程中， 根 据所述非虚拟形象分割标签修 正所述初始图像分割模型的参数； 利用所述虚拟形象图像样本和所述通用图像样本对所述第 一图像分割 模型进行训练， 得到目标图像分割模型， 其中， 在利用所述虚拟形象图像样本对所述第一图像分割模型进 行训练时， 根据所述虚拟形象分割标签修正所述第一图像分割模型 的参数； 在利用所述通 用图像样本对所述第一图像分割模型进行训练时， 根据所述显著性分割标签修正所述第一 图像分割模型的参数。 2.根据权利要求1所述的图像分割模型训练方法， 其特征在于， 所述非虚拟形象图像样 本包括不同分辨 率的非虚拟形象动态图像样本； 所述利用所述非虚拟形象图像样本对初始图像分割 模型进行训练， 得到第 一图像分割 模型， 包括： 获取不同分辨 率下的不同时序长度的所述非虚拟形象动态图像样本； 利用各个分辨率下的各个时序长度的所述非虚拟形象动态图像样本对所述初始图像 分割模型进行训练， 得到第一图像分割模型。 3.根据权利要求2所述的图像分割模型训练方法， 其特征在于， 所述利用各个分辨率下 的各个时序长度的所述非虚拟形象动态图像样本对所述初始图像分割模型进 行训练， 得到 第一图像分割模型， 包括： 利用相同分辨率下的不同时序长度的所述非虚拟形象动态图像样本对所述初始图像 分割模型进行模型迭代训练， 得到第二图像分割模型； 利用不同分辨率下的不同时序长度的所述非虚拟形象动态图像样本对所述第二图像 分割模型进行训练， 得到第一图像分割模型。 4.根据权利要求3所述的图像分割模型训练方法， 其特征在于， 所述相同分辨率下的不 同时序长度包括第一时序长度和第二时序长度； 所述利用相同分辨率下的不同时序长度的所述非虚拟形象动态图像样本对所述初始 图像分割模型进行模型迭代训练， 得到第二图像分割模型， 包括： 利用所述第一时序长度的所述非虚拟形象动态图像样本对所述初始图像分割模型进 行训练， 得到第三图像分割模型； 利用所述第二时序长度的所述非虚拟形象动态图像样本对所述第三图像分割模型进 行训练， 得到第二图像分割模型。 5.根据权利要求1所述的图像分割模型训练方法， 其特征在于， 所述虚拟形 象图像样本 和所述虚拟形象分割标签由以下步骤得到： 获取虚拟环境图像素材、 虚拟形 象图像素材和所述虚拟形象图像素材所对应的透 明度 通道图； 将所述虚拟形象图像素材与 所述虚拟环境图像素材进行图像融合， 得到所述虚拟形象 图像样本；权　利　要　求　书 1/3 页 2 CN 115249306 B 3