[發明專利]一種圖像分割方法及系統

在審

• 申請號: 202110183846.3
• 申請日: 2021-02-10
• 公開（公告）號: CN112861868A
• 公開（公告）日: 2021-05-28
• 發明（設計）人: 李鵬;張凱;徐卿;襲肖明
• 申請（專利權）人: 廣東眾聚人工智能科技有限公司
• 主分類號: G06K9/34
• 分類號: G06K9/34;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京中和立達知識產權代理事務所(普通合伙) 11756
• 代理人: 祝妍

本發明公開了一種圖像分割方法及系統。其中，該方法包括：獲取樣本數據；根據所述樣本數據，提取抽象特征；根據所述抽象特征，生成所述樣本數據的概率分布信息；根據所述概率分布信息確定樣本類別，并獲取上采樣特征；將所述上采樣特征與所述分類概率分布信息進行融合，得到分類結果。本發明解決了現有技術中無法減少模型整體的參數量，提高泛化能力，具有相關性的任務之間共享部分參數的技術問題。

技術領域

本發明涉及圖像處理領域，具體而言，涉及一種圖像分割方法及系統。

背景技術

圖像分割與圖像分類是計算機視覺領域中的重要研究方向。圖像分割用于提取圖像中的目標區域，目前廣泛應用于機器視覺，指紋識別，衛星圖像定位，行人檢測等領域。圖像識別是計算機視覺領域最常見的任務，也是很多其他高級視覺任務的基礎，例如物體跟蹤和行為分析等。圖像分類廣泛應用于各種領域，包括人臉識別，交通場景識別，相冊自動歸類，醫學圖像識別等。圖像分割與分類共存于許多圖像識別任務中，例如在一些醫學圖像處理中，分割任務是分類任務的前提，圖像分類需要引入目標區域這一特征信息。因此，開發同時應用于分割與分類的多任務圖像識別系統具有重要的意義。

目前，卷積神經網絡在計算機視覺領域應用廣泛，對于一些特殊的圖像識別任務，可能需要同時獲取其分類標簽與分割區域。然而現有的方法將這兩個任務單獨進行處理，忽略了兩個任務之間的相關性。此外，對于圖像識別任務，卷積神經網絡在提取抽象特征時，并未考慮到不同的像素點所產生的影響并不一致的特性，降低了學習的特征的有效性。

針對上述的問題，目前尚未提出有效的解決方案。

發明內容

針對以上問題，本發明提出了一種基于區分性注意力機制(attention)嵌入多任務網絡的圖像識別方法及系統，本發明首先構造了一個上分支的多任務學習的網絡結構。首先使用U-net的編碼器作為共同特征提取器，在分類任務網絡分支中，擴展了解碼器的分支，并添加了用于分類任務的全局平均池化和全連接層，在訓練過程中，可以針對不同類別分別訓練特定的解碼器參數；此外，通過添加類激活映射(CAM)機制，來獲取分割先驗信息。在分割任務分支中，將獲得的分割先驗信息作為相應類別的attention融入到分割模塊的解碼器中，實現圖像的高效分割及分類。本發明使用了多任務網絡能減少模型整體的參數量，提高泛化能力，具有相關性的任務之間共享部分參數，能在訓練中相互提升性能。另外，獲取的attent ion可以用來提取關鍵目標區域，進一步提升性能。

本發明實施例提供了一種圖像分割方法及系統，以至少解決現有技術中無法減少模型整體的參數量，提高泛化能力，具有相關性的任務之間共享部分參數的技術問題。

根據本發明實施例的一個方面，提供了一種圖像分割方法，包括：獲取樣本數據；根據所述樣本數據，提取抽象特征；根據所述抽象特征，生成所述樣本數據的概率分布信息；根據所述概率分布信息確定樣本類別，并獲取上采樣特征；將所述上采樣特征與所述分類概率分布信息進行融合，得到分類結果。

可選的，在所述獲取樣本數據之后，所述方法還包括：將所述樣本數據進行預處理，其中，所述預處理包括：尺寸處理、通道處理、歸一化處理。

可選的，所述概率分布信息包括：分類概率數據、區分性注意力機制數據。

可選的，所述根據所述抽象特征，生成所述樣本數據的概率分布信息包括：通過分類器獲取所述分類概率數據；將所述分類概率數據進行上采樣及歸一化處理，得到所述區分性注意力機制數據。

根據本發明實施例的另一方面，還提供了一種圖像分割系統，包括：獲取模塊，用于獲取樣本數據；提取模塊，用于根據所述樣本數據，提取抽象特征；概率模塊，用于根據所述抽象特征，生成所述樣本數據的概率分布信息；上采樣模塊，用于根據所述概率分布信息確定樣本類別，并獲取上采樣特征；融合模塊，用于將所述上采樣特征與所述分類概率分布信息進行融合，得到分類結果。