[發明專利]一種圖像分割的方法、系統、設備及可讀存儲介質

有效

• 申請號: 202010104946.8
• 申請日: 2020-02-20
• 公開（公告）號: CN111369568B
• 公開（公告）日: 2022-12-23
• 發明（設計）人: 王立;郭振華;吳楠;趙雅倩
• 申請（專利權）人: 蘇州浪潮智能科技有限公司
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06V10/26;G06V10/80;G06N3/04;G06N3/08
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 王曉坤

本申請公開了一種圖像分割的方法，包括：獲取原始圖像集；利用骨干網絡對所述原始圖像集進行特征提取，得到特征圖集；利用通道抽取融合模型對所述特征圖集進行通道抽取融合處理，得到增強特征圖集；利用預設卷積神經網絡對所述增強特征圖集進行分割，得到圖像分割結果。本申請通過利用通道抽取融合模型對所述特征圖集進行通道抽取融合處理，得到增強特征圖集，使得得到的增強特征圖集特征更明顯，而且減少了輸入通道數，在降低圖像分割過程中的計算量的同時，又提高了分割精度。本申請同時還提供了一種圖像分割的系統、設備及可讀存儲介質，具有上述有益效果。

技術領域

本申請涉及圖像分割領域，特別涉及一種圖像分割的方法、系統、設備及可讀存儲介質。

背景技術

圖像分割(image segmentation)技術是計算機視覺領域的重要的研究方向，是圖像語義理解的重要一環。圖像分割是指將圖像分成若干具有相似性質的區域的過程，近些年，圖像分割技術有了突飛猛進的發展，該技術相關的場景物體分割、人體前背景分割、人臉人體解析、三維重建等技術已經在無人駕駛、增強現實、安防監控等行業都得到廣泛的應用。

眾所周知，深度學習來解決圖片分類、圖像分割和物體檢測等計算機視覺領域的問題并且取得了巨大的成功。近年來涌現出了很多優秀的卷積神經網絡模型。然而這些模型大部分計算量和大小都很大，只能用于服務器端并且需要高性能GPU加速才能運行，然而智能手機等移動設備對深度學習有著巨大的需求。

因此，如何降低圖像分割過程中的計算量并提高分割精度是本領域技術人員目前需要解決的技術問題。

發明內容

本申請的目的是提供一種圖像分割的方法、系統、設備及可讀存儲介質，用于降低圖像分割過程中的計算量并提高分割精度。

為解決上述技術問題，本申請提供一種圖像分割的方法，該方法包括：

獲取原始圖像集；

利用骨干網絡對所述原始圖像集進行特征提取，得到特征圖集；

利用通道抽取融合模型對所述特征圖集進行通道抽取融合處理，得到增強特征圖集；

利用預設卷積神經網絡對所述增強特征圖集進行分割，得到圖像分割結果。

可選的，當所述通道抽取融合模型包括第一通道抽取融合子模型時，利用通道抽取融合模型對所述特征圖集進行通道抽取融合處理，得到增強特征圖集，包括：

啟動所述第一通道抽取融合子模型的第一通道選擇流程，對所述特征圖集進行通道選擇，得到第一增強特征子圖集；

啟動所述第一通道抽取融合子模型的第一特征提取流程，對所述特征圖集進行特征提取，得到第二增強特征子圖集；

對所述第一增強特征子圖集和所述第二增強特征子圖集按照通道進行疊加，得到所述增強特征圖集。

可選的，所述啟動所述第一通道抽取融合子模型的第一通道選擇流程，對所述特征圖集進行通道選擇，得到第一增強特征子圖集，包括：

計算所述特征圖集中每個特征圖的特征向量；

利用激活函數根據每個所述特征向量計算每個所述特征圖的權重值；

對每個所述權重值按照由大到小的順序進行排序，并選擇排名在前預設比例內的權重值作為增強權重值；

按照每個所述增強權重值對應的通道位置選取每個所述特征圖對應的通道并相乘，得到所述第一增強特征子圖集。

可選的，所述啟動所述第一通道抽取融合子模型的第一特征提取流程，對所述特征圖集進行特征提取，得到第二增強特征子圖集，包括：

讀取每個所述特征圖的權重值，并根據每個所述權重值確定每個通道的抽取概率；