(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 202211015296.5 (22)申请日 2022.08.23 (71)申请人 抖音视界有限公司 地址 100041 北京市石景山区实兴大街3 0 号院3号楼 2层B-0035房间 (72)发明人 王杰祥　张志诚　边成　李永会　 (74)专利代理 机构 北京英创嘉友知识产权代理 事务所(普通 合伙) 11447 专利代理师 曹寒梅 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/26(2022.01) G06V 10/74(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01)G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 息肉分割模 型的训练方法、 分割方法、 装置、 介质及设备 (57)摘要 本公开涉及一种息肉分割模 型的训练方法、 分割方法、 装置、 介质及设备， 所述方法包括： 基 于息肉分割模型对源域数据集中的源域图像和 目标域数据集中的目标域图像进行图像特征提 取， 获得第一源域块特征和第一目标域块特征； 确定第一源域块特征中的源域前景块特征和第 一目标域块特征中的目标域前景块特征； 确定源 域前景块特征和目标域前景块特征对应的连接 关系； 根据连接关系对第一块特征进行更新， 获 得第二块特征； 根据第二源域块特征获得源域图 像对应的预测分割结果； 根据源域图像对应的预 测分割结果和息肉分割标签、 以及第二源域块特 征和第二目标域块特征， 确定所述息肉分割模型 的目标损失， 并根据所述目标损失对 所述息肉分 割模型进行训练。 权利要求书4页 说明书19页 附图2页 CN 115375656 A 2022.11.22 CN 115375656 A 1.一种息肉分割模型的训练方法， 其特 征在于， 所述方法包括： 基于息肉分割模型对源域数据集中的源域图像和目标域数据集中的目标域图像进行 图像特征提取， 获得第一源域块特征和 第一目标域块特征， 其中， 所述源域数据集中的图像 标注有息肉分割 标签， 所述 目标域数据集中的图像未标注标签， 所述源域数据集与所述 目 标域数据集的数据分布不同， 所述第一源域块特征中的每一特征值对应于所述源域图像中 n*n的像素点的特征， 所述第一目标域块特征中的每一特征值对应于所述目标域图像中n*n 的像素点的特 征； 确定所述第一源域块特征中的源域前景块特征和所述第一目标域块特征中的目标域 前景块特征； 确定所述源域前 景块特征和所述目标域前 景块特征对应的连接关系； 根据所述连接关系对第一块特征进行更新， 获得第 二块特征， 其中， 所述第 一块特征包 括源域类型下的第一源域块特征和目标域类型下的所述第一目标域块特征， 所述第二块特 征包括根据所述连接关系对所述第一源域块特征更新后得到的第二源域块特征和 根据所 述连接关系对所述第一目标域 块特征更新后得到的第二目标域 块特征； 根据所述第二源域 块特征获得所述源域图像对应的预测分割结果； 根据所述源域图像对应的预测分割结果和所述息肉分割标签、 以及所述第 二源域块特 征和所述第二 目标域块特征， 确定所述息肉分割模型 的目标损失， 并根据所述目标损失对 所述息肉分割模型进行训练。 2.根据权利要求1所述的方法， 其特征在于， 所述确定所述第 一源域块特征中的源域前 景块特征和所述第一目标域 块特征中的目标域前 景块特征， 包括： 对所述息肉分割标签对应的位置进行 特征切分， 获得分割标签块特 征； 根据所述分割标签块特 征确定所述第一源域 块特征对应的候选前 景块特征集合； 针对所述候选前景块特征集合中的每一所述候选前景块特征， 确定所述第 一目标域块 特征中与所述候选前景块特征对应的目标域匹配前景块特征， 并确定所述目标域匹配前景 块特征在所述第一源域 块特征中的源域匹配前 景块特征； 若所述源域匹配前景块特征属于所述候选前景块特征集合， 将所述候选前景块特征确 定为所述源域前景块特征， 并将所述目标域匹配前景块特征确定为所述目标域前景块特 征。 3.根据权利要求1所述的方法， 其特征在于， 所述确定所述源域前景块特征和所述目标 域前景块特征对应的连接关系， 包括： 根据每一目标类型下的域前景块特征， 确定所述目标类型下的域连接关系， 其中， 所述 目标类型包括源域类型和目标域类型， 所述域连接 关系包括所述源域类型下的源域前景块 特征之间的源域连接关系和所述目标域类型下的所述目标域前景块特征之间的目标域连 接关系； 基于各个所述源域前景块特征和所述目标域前景块特征， 确定所述源域前景块特征和 所述目标域前 景块特征之间的域间连接关系。 4.根据权利要求3所述的方法， 其特征在于， 所述根据每一目标类型下的域前景块特 征， 确定所述目标类型 下的域连接关系， 包括： 针对每一所述目标类型下各个域前景块特征， 确定所述目标类型下的所述域前景块特权　利　要　求　书 1/4 页 2 CN 115375656 A 2征与各个候选域前景块特征之 间的相似度， 所述候选域前景块特征与所述域前景块特征不 同， 且对应于同一目标类型； 若所述相似度 大于或等于预设阈值， 则确定所述域前景块特征与所述候选域前景块特 征之间具备连接关系， 所述目标类型下的域连接关系包括所述目标类型下各个域前景块特 征对应的接连关系。 5.根据权利要求3所述的方法， 其特征在于， 所述基于各个所述源域前景块特征和所述 目标域前景块特征， 确定所述源域前景块特征和所述目标域前景块特征之 间的域间连接关 系， 包括： 通过以下公式确定第i个源域前景块特征和第j个目标域前景块特征之间的域间连接 关系值 其中， 用于表示源域图像s中的第i个源域前 景块特征； 用于表示目标域图像t中的第j个目标域前 景块特征； σ用于表示调节超参数； 所述域间连接关系包括每一所述源域前景块特征和每一所述目标域前景块特征之间 的域间连接关系值。 6.根据权利要求3所述的方法， 其特征在于， 所述根据所述连接关系对第 一块特征进行 更新， 获得第二 块特征， 包括： 根据所述目标类型下的域连接关系和至少一个注意力特征层对所述目标类型下的第 一块特征进 行卷积处理， 获得所述目标类型下的卷积块特征， 其中， 所述目标类型下的注 意 力特征层中对应的注意力权 重为基于所述目标类型 下的域连接关系确定的； 根据所述域间连接关系分别对每一所述目标类型下的所述卷积块特征进行多层卷积 特征提取， 获得所述目标类型下的第二块特征， 其中， 所述第一源域块特征和所述第一目标 域块特征对应的卷积特 征提取的层数相同。 7.根据权利要求1所述的方法， 其特征在于， 所述根据所述源域图像对应的预测分割结 果和所述息肉分割 标签、 以及所述第二源域块特征和所述第二 目标域块特征， 确定所述息 肉分割模型的目标损失， 包括： 根据所述预测分割结果中的预测分割信息和所述息肉分割标签， 确定分割损失； 根据所述第二源域 块特征和所述第二目标域 块特征， 确定特 征对齐损失； 根据所述分割损失和所述特 征对齐损失， 确定所述目标损失。 8.根据权利要求7所述的方法， 其特征在于， 通过以下公式根据 所述第二源域块特征和 所述第二目标域 块特征， 确定特 征对齐损失： 权　利　要　求　书 2/4 页 3 CN 115375656 A 3