CN107610146B - 图像场景分割方法、装置、电子设备及计算机存储介质 - Google Patents
图像场景分割方法、装置、电子设备及计算机存储介质 Download PDFInfo
- Publication number
- CN107610146B CN107610146B CN201710908453.8A CN201710908453A CN107610146B CN 107610146 B CN107610146 B CN 107610146B CN 201710908453 A CN201710908453 A CN 201710908453A CN 107610146 B CN107610146 B CN 107610146B
- Authority
- CN
- China
- Prior art keywords
- scene segmentation
- convolution
- segmentation network
- layer
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种图像场景分割方法、装置、计算设备及计算机存储介质，其中，图像场景分割方法基于经过训练的场景分割网络而执行，该方法包括：获取待分割图像；将待分割图像输入至场景分割网络中，其中，在场景分割网络中至少一层卷积层，利用尺度回归层输出的尺度系数对该卷积层的第一卷积块进行缩放处理，得到第二卷积块，而后利用第二卷积块进行该卷积层的卷积运算，获得该卷积层的输出结果；尺度回归层为场景分割网络的中间卷积层；输出与待分割图像对应的场景分割结果。该技术方案实现了对感受野的自适应缩放，利用经过训练的场景分割网络能够快速地得到场景分割结果，提高了图像场景分割的准确率以及处理效率。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种图像场景分割方法、装置、电子设备及计算机存储介质。
背景技术
在现有技术中，图像场景分割处理方法主要是基于深度学习中的全卷积神经网络，这些处理方法利用迁移学习的思想，将在大规模分类数据集上经过预训练得到的网络迁移到图像分割数据集上进行训练，从而得到用于场景分割的分割网络，然后利用该分割网络对图像进行场景分割。
现有技术中得到的分割网络所使用的网络架构直接利用了图像分类网络，其卷积层中卷积块的大小是固定不变的，从而感受野的大小是固定不变的，其中，感受野是指输出特征图某个节点的响应对应的输入图像的区域，大小固定的感受野只适于捕捉固定大小和尺度的目标。然而对于图像场景分割，场景中经常会包含不同大小的目标，利用具有大小固定的感受野的分割网络在处理过大和过小的目标时常常会发生问题，例如，对于较小的目标，感受野会捕捉过多的目标周围的背景，从而将目标与背景混淆，导致目标遗漏并被错判为背景；对于较大的目标，感受野仅仅能捕捉目标的一部分，使得目标类别判断出现偏差，导致不连续的分割结果。因此，现有技术中的图像场景分割处理方式存在着图像场景分割的准确率低下的问题。
发明内容
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的图像场景分割方法、装置、电子设备及计算机存储介质。
根据本发明的一个方面，提供了一种图像场景分割方法，该方法基于经过训练的场景分割网络而执行，该方法包括：
获取待分割图像；
将待分割图像输入至场景分割网络中，其中，在场景分割网络中至少一层卷积层，利用尺度回归层输出的尺度系数对该卷积层的第一卷积块进行缩放处理，得到第二卷积块，而后利用第二卷积块进行该卷积层的卷积运算，获得该卷积层的输出结果；尺度回归层为场景分割网络的中间卷积层；
输出与待分割图像对应的场景分割结果。
进一步地，利用第二卷积块进行该卷积层的卷积运算，获得该卷积层的输出结果进一步包括：
利用线性插值方法，从第二卷积块中采样得到特征向量，组成第三卷积块；
依据第三卷积块与该卷积层的卷积核进行卷积运算，获得该卷积层的输出结果。
进一步地，场景分割网络训练所用的样本包含：样本库存储的多个样本图像以及与样本图像对应的标注场景分割结果。
进一步地，场景分割网络的训练过程通过多次迭代完成；在一次迭代过程中，从样本库中提取样本图像以及与样本图像对应的标注场景分割结果，利用样本图像和标注场景分割结果实现场景分割网络的训练。
进一步地，场景分割网络的训练过程通过多次迭代完成；其中一次迭代过程包括：
将样本图像输入至场景分割网络，得到与样本图像对应的样本场景分割结果；
根据样本场景分割结果与标注场景分割结果之间的分割损失，得到场景分割网络损失函数，利用场景分割网络损失函数实现场景分割网络的训练。
进一步地，场景分割网络的训练步骤包括：
从样本库中提取样本图像以及与样本图像对应的标注场景分割结果；
将样本图像输入至场景分割网络中进行训练，其中，在场景分割网络中至少一层卷积层，利用上一次迭代过程尺度回归层输出的尺度系数或者初始尺度系数对该卷积层的第一卷积块进行缩放处理，得到第二卷积块，而后利用第二卷积块进行该卷积层的卷积运算，获得该卷积层的输出结果；
获取与样本图像对应的样本场景分割结果；
根据样本场景分割结果与标注场景分割结果之间的分割损失，得到场景分割网络损失函数，根据场景分割网络损失函数更新场景分割网络的权重参数；
迭代执行场景分割网络的训练步骤，直至满足预定收敛条件。
进一步地，预定收敛条件包括：迭代次数达到预设迭代次数；和/或，场景分割网络损失函数的输出值小于预设阈值。
进一步地，尺度系数为尺度回归层输出的尺度系数特征图中的特征向量。
进一步地，该方法还包括：在场景分割网络训练开始时，对尺度回归层的权重参数进行初始化处理。
根据本发明的另一方面，提供了一种图像场景分割装置，该装置基于经过训练的场景分割网络而运行，该装置包括：
获取模块，适于获取待分割图像；
分割模块，适于将待分割图像输入至场景分割网络中，其中，在场景分割网络中至少一层卷积层，利用尺度回归层输出的尺度系数对该卷积层的第一卷积块进行缩放处理，得到第二卷积块，而后利用第二卷积块进行该卷积层的卷积运算，获得该卷积层的输出结果；尺度回归层为场景分割网络的中间卷积层；
输出模块，适于输出与待分割图像对应的场景分割结果。
进一步地，分割模块进一步适于：
利用线性插值方法，从第二卷积块中采样得到特征向量，组成第三卷积块；
依据第三卷积块与该卷积层的卷积核进行卷积运算，获得该卷积层的输出结果。
进一步地，场景分割网络训练所用的样本包含：样本库存储的多个样本图像以及与样本图像对应的标注场景分割结果。
进一步地，该装置还包括：场景分割网络训练模块；场景分割网络的训练过程通过多次迭代完成；
场景分割网络训练模块适于：在一次迭代过程中，从样本库中提取样本图像以及与样本图像对应的标注场景分割结果，利用样本图像和标注场景分割结果实现场景分割网络的训练。
进一步地，该装置还包括：场景分割网络训练模块；场景分割网络的训练过程通过多次迭代完成；
场景分割网络训练模块适于：在一次迭代过程中，将样本图像输入至场景分割网络，得到与样本图像对应的样本场景分割结果；
根据样本场景分割结果与标注场景分割结果之间的分割损失，得到场景分割网络损失函数，利用场景分割网络损失函数实现场景分割网络的训练。
进一步地，该装置还包括：场景分割网络训练模块；
场景分割网络训练模块包括：
提取单元，适于从样本库中提取样本图像以及与样本图像对应的标注场景分割结果；
训练单元，适于将样本图像输入至场景分割网络中进行训练，其中，在场景分割网络中至少一层卷积层，利用上一次迭代过程尺度回归层输出的尺度系数或者初始尺度系数对该卷积层的第一卷积块进行缩放处理，得到第二卷积块，而后利用第二卷积块进行该卷积层的卷积运算，获得该卷积层的输出结果；
获取单元，适于获取与样本图像对应的样本场景分割结果；
更新单元，适于根据样本场景分割结果与标注场景分割结果之间的分割损失，得到场景分割网络损失函数，根据场景分割网络损失函数更新场景分割网络的权重参数；
场景分割网络训练模块迭代运行，直至满足预定收敛条件。
进一步地，预定收敛条件包括：迭代次数达到预设迭代次数；和/或，场景分割网络损失函数的输出值小于预设阈值。
进一步地，尺度系数为尺度回归层输出的尺度系数特征图中的特征向量。
进一步地，场景分割网络训练模块进一步适于：在场景分割网络训练开始时，对尺度回归层的权重参数进行初始化处理。
根据本发明的又一方面，提供了一种电子设备，包括：处理器、存储器、通信接口和通信总线，处理器、存储器和通信接口通过通信总线完成相互间的通信；
存储器用于存放至少一可执行指令，可执行指令使处理器执行上述图像场景分割方法对应的操作。
根据本发明的再一方面，提供了一种计算机存储介质，存储介质中存储有至少一可执行指令，可执行指令使处理器执行如上述图像场景分割方法对应的操作。
根据本发明提供的技术方案，获取待分割图像，将待分割图像输入至场景分割网络中，其中，在场景分割网络中至少一层卷积层，利用尺度回归层输出的尺度系数对该卷积层的第一卷积块进行缩放处理，得到第二卷积块，而后利用第二卷积块进行该卷积层的卷积运算，获得该卷积层的输出结果，然后输出与待分割图像对应的场景分割结果。与现有技术中的图像场景分割处理方式相比，本发明提供的技术方案依据尺度系数对卷积块进行缩放，实现了对感受野的自适应缩放，利用经过训练的场景分割网络能够快速地得到对应的场景分割结果，有效地提高了图像场景分割的准确率以及处理效率，优化了图像场景分割处理方式。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了根据本发明一个实施例的图像场景分割方法的流程示意图；
图2示出了根据本发明一个实施例的场景分割网络训练方法的流程示意图；
图3示出了根据本发明另一个实施例的图像场景分割方法的流程示意图；
图4示出了根据本发明一个实施例的图像场景分割装置的结构框图；
图5示出了根据本发明另一个实施例的图像场景分割装置的结构框图；
图6示出了根据本发明实施例的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
图1示出了根据本发明一个实施例的图像场景分割方法的流程示意图，该方法基于经过训练的场景分割网络而执行，如图1所示，该方法包括如下步骤：
步骤S100，获取待分割图像。
其中，待分割图像为用户想要进行场景分割的图像，待分割图像可以为任意图像，此处不做限定。例如，待分割图像可以为包含有人体的图像，也可以为包含有多个物体的图像。当用户想要对图像进行场景分割时，那么在步骤S100中获取待分割图像。
步骤S101，将待分割图像输入至场景分割网络中。
场景分割网络是经过训练的，经过训练的场景分割网络能够利用该网络中尺度回归层输出的尺度系数地对卷积层的卷积块进行缩放，从而能够更为准确地对所输入的待分割图像进行场景分割。具体地，场景分割网络训练所用的样本包含：样本库存储的多个样本图像以及与样本图像对应的标注场景分割结果。其中，标注场景分割结果为样本图像中的各个场景经人工分割与标注所得到的分割结果。
其中，场景分割网络的训练过程通过多次迭代完成。可选地，在一次迭代过程中，从样本库中提取样本图像以及与样本图像对应的标注场景分割结果，利用样本图像和标注场景分割结果实现场景分割网络的训练。
可选地，一次迭代过程包括：将样本图像输入至场景分割网络，得到与样本图像对应的样本场景分割结果；根据样本场景分割结果与标注场景分割结果之间的分割损失，得到场景分割网络损失函数，利用场景分割网络损失函数实现场景分割网络的训练。
步骤S102，在场景分割网络中至少一层卷积层，利用尺度回归层输出的尺度系数对该卷积层的第一卷积块进行缩放处理，得到第二卷积块。
本领域技术人员可根据实际需要选择对哪一层或哪些层的卷积层的卷积块进行缩放处理，此处不做限定。为了便于区分，在本发明中将待缩放处理的卷积块称为第一卷积块，将经缩放处理后的卷积块称为第二卷积块。假设对场景分割网络中的某一层卷积层的第一卷积块进行缩放处理，那么在该卷积层，利用尺度回归层输出的尺度系数对该卷积层的第一卷积块进行缩放处理，得到第二卷积块。
其中，尺度回归层为场景分割网络的中间卷积层，中间卷积层是指场景分割网络中的一层或多层卷积层，本领域技术人员可根据实际需要在场景分割网络中选择合适的一层或多层卷积层作为尺度回归层，此处不做限定。在本发明中，将尺度回归层输出的特征图称为尺度系数特征图，尺度系数为尺度回归层输出的尺度系数特征图中的特征向量。本发明依据尺度系数对卷积块进行缩放，从而实现了对感受野的自适应缩放，能够更为准确地对所输入的待分割图像进行场景分割，有效地提高了图像场景分割的准确率。
步骤S103，利用第二卷积块进行该卷积层的卷积运算，获得该卷积层的输出结果。
在得到了第二卷积块之后，就可利用第二卷积块进行该卷积层的卷积运算，获得该卷积层的输出结果。
步骤S104，输出与待分割图像对应的场景分割结果。
在步骤S103获得该卷积层的输出结果之后，在场景分割网络中若在该卷积层之后还存在其他的卷积层，那么将该卷积层的输出结果作为后一卷积层的输入进行后续的卷积运算。在经过场景分割网络中所有的卷积层的卷积运算之后，输出与待分割图像对应的场景分割结果。
根据本实施例提供的图像场景分割方法，获取待分割图像，将待分割图像输入至场景分割网络中，其中，在场景分割网络中至少一层卷积层，利用尺度回归层输出的尺度系数对该卷积层的第一卷积块进行缩放处理，得到第二卷积块，而后利用第二卷积块进行该卷积层的卷积运算，获得该卷积层的输出结果，然后输出与待分割图像对应的场景分割结果。与现有技术中的图像场景分割处理方式相比，本发明提供的技术方案依据尺度系数对卷积块进行缩放，实现了对感受野的自适应缩放，利用经过训练的场景分割网络能够快速地得到对应的场景分割结果，有效地提高了图像场景分割的准确率以及处理效率，优化了图像场景分割处理方式。
图2示出了根据本发明一个实施例的场景分割网络训练方法的流程示意图，如图2所示，场景分割网络的训练步骤包括如下步骤：
步骤S200，从样本库中提取样本图像以及与样本图像对应的标注场景分割结果。
样本库中不仅存储了样本图像，还存储了与样本图像对应的标注场景分割结果。本领域技术人员可根据实际需要设置样本库中所存储的样本图像的数量，此处不做限定。在步骤S200中，从样本库中提取样本图像，并提取与该样本图像对应的标注场景分割结果。
步骤S201，将样本图像输入至场景分割网络中进行训练。
在提取了样本图像之后，将样本图像输入至场景分割网络中进行训练。
步骤S202，在场景分割网络中至少一层卷积层，利用上一次迭代过程尺度回归层输出的尺度系数或者初始尺度系数对该卷积层的第一卷积块进行缩放处理，得到第二卷积块。
本领域技术人员可根据实际需要选择对哪一层或哪些层的卷积层的卷积块进行缩放处理，此处不做限定。假设对场景分割网络中的某一层卷积层的第一卷积块进行缩放处理，那么在该卷积层，利用上一次迭代过程尺度回归层输出的尺度系数或者初始尺度系数对该卷积层的第一卷积块进行缩放处理，得到第二卷积块。
具体地，为了有效对场景分割网络进行训练，在场景分割网络训练开始时，可对尺度回归层的权重参数进行初始化处理。本领域技术人员可根据实际需要设置具体的初始化的权重参数，此处不做限定。初始尺度系数即为经初始化处理后的尺度回归层输出的尺度系数特征图中的特征向量。
步骤S203，利用第二卷积块进行该卷积层的卷积运算，获得该卷积层的输出结果。
在得到了第二卷积块之后，就可利用第二卷积块进行该卷积层的卷积运算，获得该卷积层的输出结果。由于第二卷积块是对第一卷积块进行缩放处理后所得到的，那么第二卷积块中的特征向量对应的坐标可能并不是整数，因此，可利用预设计算方法得到这些非整数坐标对应的特征向量。本领域技术人员可根据实际需要设置预设计算方法，此处不做限定。例如，预设计算方法可为线性插值方法，具体地，利用线性插值方法，从第二卷积块中采样得到特征向量，组成第三卷积块，然后依据第三卷积块与该卷积层的卷积核进行卷积运算，获得该卷积层的输出结果。
在获得该卷积层的输出结果之后，在场景分割网络中若在该卷积层之后还存在其他的卷积层，那么将该卷积层的输出结果作为后一卷积层的输入进行后续的卷积运算。在经过场景分割网络中所有的卷积层的卷积运算之后，得到与样本图像对应的场景分割结果。
步骤S204，获取与样本图像对应的样本场景分割结果。
获取场景分割网络得到的与样本图像对应的样本场景分割结果。
步骤S205，根据样本场景分割结果与标注场景分割结果之间的分割损失，得到场景分割网络损失函数，根据场景分割网络损失函数更新场景分割网络的权重参数。
其中，本领域技术人员可根据实际需要设置场景分割网络损失函数的具体内容，此处不做限定。根据场景分割网络损失函数，进行反向传播(back propagation)运算，通过运算结果更新场景分割网络的权重参数。
步骤S206，迭代执行场景分割网络的训练步骤，直至满足预定收敛条件。
其中，本领域技术人员可根据实际需要设置预定收敛条件，此处不做限定。例如，预定收敛条件可包括：迭代次数达到预设迭代次数；和/或，场景分割网络损失函数的输出值小于预设阈值。具体地，可以通过判断迭代次数是否达到预设迭代次数来判断是否满足预定收敛条件，也可以根据场景分割网络损失函数的输出值是否小于预设阈值来判断是否满足预定收敛条件。在步骤S206中，迭代执行场景分割网络的训练步骤，直至满足预定收敛条件，从而得到经过训练的场景分割网络。
在一个具体的训练过程中，例如需要对场景分割网络中的某一层卷积层的第一卷积块进行缩放处理，假设将该卷积层称为卷积层J，卷积层J的输入特征图为
其中，HA为该输入特征图的高度参数，WA为该输入特征图的宽度参数，CA为该输入特征图的通道数；卷积层J的输出特征图为
其中，HB为该输出特征图的高度参数，WB为该输出特征图的宽度参数，CB为该输出特征图的通道数；尺度回归层输出的尺度系数特征图为
其中，HS为该尺度系数特征图的高度参数，HS为该尺度系数特征图的宽度参数，该尺度系数特征图的通道数为1，具体地，HS＝HB，且WS＝WB。
在场景分割网络中，可选择一个普通的3×3的卷积层作为尺度回归层，尺度回归层对应的通道数为1的输出特征图即为尺度系数特征图。为了有效对场景分割网络进行训练，防止场景分割网络在训练过程中崩溃，需要在场景分割网络训练开始时，对尺度回归层的权重参数进行初始化处理。其中，尺度回归层的初始化的权重参数为
其中，w0为尺度回归层初始化后的卷积核，a为卷积核中的任意位置，b0为初始化的偏置项。在对尺度回归层的权重参数的初始化处理中，卷积核被设置为满足高斯分布的随机系数σ，且其值很小，接近于0，并且偏置项被设置为1，因此，经初始化处理的尺度回归层将全部输出接近于1的值，即初始尺度系数接近于1，那么将初始尺度系数应用到卷积层J后，所得到的输出结果与标准的卷积结果差别不大，从而提供了较为稳定的训练过程，有效防止了场景分割网络在训练过程中崩溃。
对于卷积层J，假设卷积层J的卷积核为
偏置为
卷积层J的输入特征图
卷积层J的输出特征图为
卷积层J的第一卷积块为Xt，对第一卷积块Xt进行缩放处理后所得到的第二卷积块为Yt，其中，一般情况下，k＝1。在输出特征图B中的任意位置t，对应的特征向量为
特征向量Bt为由该特征向量对应于输入特征图A中的第二卷积块Yt与卷积核K内积得到的，其中，位置
第一卷积块Xt是一个以输入特征图A中(pt，qt)为中心的正方形区域，其边长固定为2kd+1，其中，
是卷积的膨胀系数，
和
是输入特征图A中的坐标。第一卷积块Xt中将均匀选取(2k+1)×(2k+1)个特征向量与卷积核K进行相乘，具体地，这些特征向量的坐标为
其中，
假设st是尺度系数特征图中对应于输出特征图B中位置t的特征向量Bt的尺度系数，st在尺度系数特征图中的位置也是t，与特征向量Bt在输出特征图B中的位置相同。
利用尺度系数st对卷积层J的第一卷积块Xt进行缩放处理，得到第二卷积块Yt，第二卷积块Yt是一个以输入特征图A中(pt，qt)为中心的正方形区域，其边长会根据尺度系数st变化为
第二卷积块Yt中将均匀选取(2k+1)×(2k+1)个特征向量与卷积核K进行相乘，具体地，这些特征向量的坐标为
其中，尺度系数st是实数值，那么特征向量的坐标x′ij和y′ij可能并不是整数。在本发明中，利用线性插值方法得到这些非整数坐标对应的特征向量。利用线性插值方法，从第二卷积块Yt中采样得到特征向量，组成第三卷积块Zt，那么对于第三卷积块Zt中各个特征向量Z′ij的具体的计算公式为：
其中，
若(x′ij，y′ij)超出了输入特征图A的范围，则对应的特征向量将被置为0作为填补。假设
是卷积核K与对应的特征向量相乘且输出通道为c的卷积向量，其中，
那么卷积运算中对应所有通道的按元素相乘过程可以用与
进行矩阵相乘表示，则前向传播(forward propagation)过程为
在反向传播过程中，假定从Bt传来的梯度g(Bt)，梯度为
g(b)＝g(Bt)
其中，g(g)表示梯度函数，(g)T表示矩阵转置。值得注意的是，在计算梯度的过程中，卷积核K和偏置b的最终梯度是从输出特征图B中所有位置得到的梯度的和。对于线性插值过程，其对应特征向量的偏导为
对应坐标的偏导为
对应的
的偏导与上述
的公式类似，此处不再赘述。
由于坐标是由尺度系数st计算得到，那么坐标对应尺度系数的偏导为
基于上述偏导，尺度系数特征图S和输入特征图A的梯度可以由下面的公式得到：
由此可见，上述卷积过程形成了一个整体可导的计算过程，因此，场景分割网络中各卷积层的权重参数和尺度回归层的权重参数均可以通过端对端的形式进行训练。另外，尺度系数的梯度可以通过其后一层传来的梯度计算得到，因此，尺度系数是自动且隐式的得到的。在具体的实现过程中，前向传播过程和反向传播过程均可以在图形处理器(GPU)上并行运算，具有较高的计算效率。
根据本实施例提供的场景分割网络训练方法，能够训练得到依据尺度系数对卷积块进行缩放的场景分割网络，实现了对感受野的自适应缩放，而且利用场景分割网络能够快速地得到对应的场景分割结果，有效地提高了图像场景分割的准确率以及处理效率。
图3示出了根据本发明另一个实施例的图像场景分割方法的流程示意图，该方法基于经过训练的场景分割网络而执行，如图3所示，该方法包括如下步骤：
步骤S300，获取待分割图像。
其中，待分割图像为用户想要进行场景分割的图像。当用户想要对图像进行场景分割时，那么在步骤S300中获取待分割图像。
步骤S301，将待分割图像输入至场景分割网络中。
其中，场景分割网络是经过训练的，经过训练的场景分割网络能够利用该网络中尺度回归层输出的尺度系数地对卷积层的卷积块进行缩放，更为准确地对所输入的待分割图像进行场景分割。
步骤S302，在场景分割网络中至少一层卷积层，利用尺度回归层输出的尺度系数对该卷积层的第一卷积块进行缩放处理，得到第二卷积块。
本领域技术人员可根据实际需要选择对哪一层或哪些层的卷积层的卷积块进行缩放处理，此处不做限定。尺度系数为尺度回归层输出的尺度系数特征图中的特征向量，在步骤S302中，利用尺度系数对该卷积层的第一卷积块进行缩放处理，得到第二卷积块。
步骤S303，利用线性插值方法，从第二卷积块中采样得到特征向量，组成第三卷积块。
由于第二卷积块是对第一卷积块进行缩放处理后所得到的，那么第二卷积块中的特征向量对应的坐标可能并不是整数，因此可利用线性插值方法，得到这些非整数坐标对应的特征向量。利用线性插值方法，从第二卷积块中采样得到特征向量，然后根据采样得到的特征向量组成第三卷积块。假设第二卷积块为Yt，第三卷积块为Zt，那么对于第三卷积块Zt中各个特征向量
的具体的计算公式为：
其中，
d是卷积的膨胀系数，st是尺度系数，一般情况下，k＝1。
步骤S304，依据第三卷积块与该卷积层的卷积核进行卷积运算，获得该卷积层的输出结果。
在得到了第三卷积块之后，依据第三卷积块与该卷积层的卷积核进行卷积运算，获得该卷积层的输出结果。
步骤S305，输出与待分割图像对应的场景分割结果。
在步骤S304获得该卷积层的输出结果之后，在场景分割网络中若在该卷积层之后还存在其他的卷积层，那么将该卷积层的输出结果作为后一卷积层的输入进行后续的卷积运算。在经过场景分割网络中所有的卷积层的卷积运算之后，输出与待分割图像对应的场景分割结果。
根据本实施例提供的图像场景分割方法，获取待分割图像，将待分割图像输入至场景分割网络中，其中，在场景分割网络中至少一层卷积层，利用尺度回归层输出的尺度系数对该卷积层的第一卷积块进行缩放处理，得到第二卷积块，而后利用线性插值方法，从第二卷积块中采样得到特征向量，组成第三卷积块，依据第三卷积块与该卷积层的卷积核进行卷积运算，获得该卷积层的输出结果，然后输出与待分割图像对应的场景分割结果。与现有技术中的图像场景分割处理方式相比，本发明提供的技术方案不仅依据尺度系数对卷积块进行缩放，实现了对感受野的自适应缩放，而且还利用线性插值方法对缩放处理后卷积块进行进一步处理，解决了对于缩放处理后卷积块中坐标为非整数的特征向量的选取问题；并且利用经过训练的场景分割网络能够快速地得到对应的场景分割结果，有效地提高了图像场景分割的准确率以及处理效率，优化了图像场景分割处理方式。
图4示出了根据本发明一个实施例的图像场景分割装置的结构框图，该装置基于经过训练的场景分割网络而运行，如图4所示，该装置包括：获取模块410、分割模块420和输出模块430。
获取模块410适于：获取待分割图像。
分割模块420适于：将待分割图像输入至场景分割网络中，其中，在场景分割网络中至少一层卷积层，利用尺度回归层输出的尺度系数对该卷积层的第一卷积块进行缩放处理，得到第二卷积块，而后利用第二卷积块进行该卷积层的卷积运算，获得该卷积层的输出结果。
其中，场景分割网络是经过训练的，具体地，场景分割网络训练所用的样本包含：样本库存储的多个样本图像以及与样本图像对应的标注场景分割结果。尺度回归层为场景分割网络的中间卷积层。本领域技术人员可根据实际需要在场景分割网络中选择合适的一层或多层卷积层作为尺度回归层，此处不做限定。尺度系数为尺度回归层输出的尺度系数特征图中的特征向量。
输出模块430适于：输出与待分割图像对应的场景分割结果。
根据本实施例提供的图像场景分割装置，获取模块获取待分割图像，分割模块将待分割图像输入至场景分割网络中，其中，在场景分割网络中至少一层卷积层，利用尺度回归层输出的尺度系数对该卷积层的第一卷积块进行缩放处理，得到第二卷积块，而后利用第二卷积块进行该卷积层的卷积运算，获得该卷积层的输出结果，输出模块输出与待分割图像对应的场景分割结果。与现有技术中的图像场景分割处理方式相比，本发明提供的技术方案依据尺度系数对卷积块进行缩放，实现了对感受野的自适应缩放，利用经过训练的场景分割网络能够快速地得到对应的场景分割结果，有效地提高了图像场景分割的准确率以及处理效率，优化了图像场景分割处理方式。
图5示出了根据本发明另一个实施例的图像场景分割装置的结构框图，该装置基于经过训练的场景分割网络而运行，如图5所示，该装置包括：获取模块510、场景分割网络训练模块520、分割模块530和输出模块540。
获取模块510适于：获取待分割图像。
其中，场景分割网络的训练过程通过多次迭代完成。场景分割网络训练模块520适于：在一次迭代过程中，从样本库中提取样本图像以及与样本图像对应的标注场景分割结果，利用样本图像和标注场景分割结果实现场景分割网络的训练。
可选地，场景分割网络训练模块520适于：在一次迭代过程中，将样本图像输入至场景分割网络，得到与样本图像对应的样本场景分割结果；根据样本场景分割结果与标注场景分割结果之间的分割损失，得到场景分割网络损失函数，利用场景分割网络损失函数实现场景分割网络的训练。
在一个具体实施例中，场景分割网络训练模块520可包括：提取单元521、训练单元522、获取单元523和更新单元524。
具体地，提取单元521适于：从样本库中提取样本图像以及与样本图像对应的标注场景分割结果。
训练单元522适于：将样本图像输入至场景分割网络中进行训练，其中，在场景分割网络中至少一层卷积层，利用上一次迭代过程尺度回归层输出的尺度系数或者初始尺度系数对该卷积层的第一卷积块进行缩放处理，得到第二卷积块，而后利用第二卷积块进行该卷积层的卷积运算，获得该卷积层的输出结果。
其中，尺度回归层为场景分割网络的中间卷积层，尺度系数为尺度回归层输出的尺度系数特征图中的特征向量。
可选地，训练单元522进一步适于：利用线性插值方法，从第二卷积块中采样得到特征向量，组成第三卷积块；依据第三卷积块与该卷积层的卷积核进行卷积运算，获得该卷积层的输出结果。
获取单元523适于：获取与样本图像对应的样本场景分割结果。
更新单元524适于：根据样本场景分割结果与标注场景分割结果之间的分割损失，得到场景分割网络损失函数，根据场景分割网络损失函数更新场景分割网络的权重参数。
场景分割网络训练模块520迭代运行，直至满足预定收敛条件。
其中，本领域技术人员可根据实际需要设置预定收敛条件，此处不做限定。例如，预定收敛条件可包括：迭代次数达到预设迭代次数；和/或，场景分割网络损失函数的输出值小于预设阈值。具体地，可以通过判断迭代次数是否达到预设迭代次数来判断是否满足预定收敛条件，也可以根据场景分割网络损失函数的输出值是否小于预设阈值来判断是否满足预定收敛条件。
可选地，场景分割网络训练模块520进一步适于：在场景分割网络训练开始时，对尺度回归层的权重参数进行初始化处理。
分割模块530适于：将待分割图像输入至场景分割网络中，其中，在场景分割网络中至少一层卷积层，利用尺度回归层输出的尺度系数对该卷积层的第一卷积块进行缩放处理，得到第二卷积块，而后利用线性插值方法，从第二卷积块中采样得到特征向量，组成第三卷积块；依据第三卷积块与该卷积层的卷积核进行卷积运算，获得该卷积层的输出结果。
输出模块540适于：输出与待分割图像对应的场景分割结果。
根据本实施例提供的图像场景分割装置，获取模块获取待分割图像，场景分割网络训练模块对场景分割网络进行训练，分割模块将待分割图像输入至场景分割网络中，其中，在场景分割网络中至少一层卷积层，利用尺度回归层输出的尺度系数对该卷积层的第一卷积块进行缩放处理，得到第二卷积块，而后利用线性插值方法，从第二卷积块中采样得到特征向量，组成第三卷积块，依据第三卷积块与该卷积层的卷积核进行卷积运算，获得该卷积层的输出结果，输出模块输出与待分割图像对应的场景分割结果。与现有技术中的图像场景分割处理方式相比，本发明提供的技术方案不仅依据尺度系数对卷积块进行缩放，实现了对感受野的自适应缩放，而且还利用线性插值方法对缩放处理后卷积块进行进一步处理，解决了对于缩放处理后卷积块中坐标为非整数的特征向量的选取问题；并且利用经过训练的场景分割网络能够快速地得到对应的场景分割结果，有效地提高了图像场景分割的准确率以及处理效率，优化了图像场景分割处理方式。
本发明还提供了一种非易失性计算机存储介质，计算机存储介质存储有至少一可执行指令，可执行指令可执行上述任意方法实施例中的图像场景分割方法。
图6示出了根据本发明实施例的一种电子设备的结构示意图，本发明具体实施例并不对电子设备的具体实现做限定。
如图6所示，该电子设备可以包括：处理器(processor)602、通信接口(Communications Interface)604、存储器(memory)606、以及通信总线608。
其中：
处理器602、通信接口604、以及存储器606通过通信总线608完成相互间的通信。
通信接口604，用于与其它设备比如客户端或其它服务器等的网元通信。
处理器602，用于执行程序610，具体可以执行上述图像场景分割方法实施例中的相关步骤。
具体地，程序610可以包括程序代码，该程序代码包括计算机操作指令。
处理器602可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。电子设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器606，用于存放程序610。存储器606可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
程序610具体可以用于使得处理器602执行上述任意方法实施例中的图像场景分割方法。程序610中各步骤的具体实现可以参见上述图像场景分割实施例中的相应步骤和单元中对应的描述，在此不赘述。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的设备和模块的具体工作过程，可以参考前述方法实施例中的对应过程描述，在此不再赘述。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (18)
1.一种图像场景分割方法，所述方法基于经过训练的场景分割网络而执行，所述方法包括：
获取待分割图像；
将所述待分割图像输入至所述场景分割网络中，其中，在场景分割网络中至少一层卷积层，利用尺度回归层输出的尺度系数对该卷积层的第一卷积块进行缩放处理，得到第二卷积块，而后利用所述第二卷积块进行该卷积层的卷积运算，获得该卷积层的输出结果；所述尺度回归层为所述场景分割网络的中间卷积层；所述尺度系数为尺度回归层输出的尺度系数特征图中的特征向量；
输出与待分割图像对应的场景分割结果；
其中，所述场景分割网络的训练过程通过多次迭代完成；在一次迭代过程中，将样本图像输入至所述场景分割网络中进行训练，其中，在场景分割网络中至少一层卷积层，利用上一次迭代过程尺度回归层输出的尺度系数或者初始尺度系数对该卷积层的第一卷积块进行缩放处理，得到第二卷积块，而后利用所述第二卷积块进行该卷积层的卷积运算，获得该卷积层的输出结果。
2.根据权利要求1所述的方法，其中，所述利用所述第二卷积块进行该卷积层的卷积运算，获得该卷积层的输出结果进一步包括：
利用线性插值方法，从所述第二卷积块中采样得到特征向量，组成第三卷积块；
依据所述第三卷积块与该卷积层的卷积核进行卷积运算，获得该卷积层的输出结果。
3.根据权利要求1或2所述的方法，其中，所述场景分割网络训练所用的样本包含：样本库存储的多个样本图像以及与样本图像对应的标注场景分割结果。
4.根据权利要求3所述的方法，其中，在一次迭代过程中，从所述样本库中提取样本图像以及与样本图像对应的标注场景分割结果，利用所述样本图像和所述标注场景分割结果实现场景分割网络的训练。
5.根据权利要求4所述的方法，其中一次迭代过程包括：
将样本图像输入至场景分割网络，得到与样本图像对应的样本场景分割结果；
根据所述样本场景分割结果与所述标注场景分割结果之间的分割损失，得到场景分割网络损失函数，利用所述场景分割网络损失函数实现场景分割网络的训练。
6.根据权利要求5所述的方法，其中，所述场景分割网络的训练步骤包括：
从所述样本库中提取样本图像以及与样本图像对应的标注场景分割结果；
将所述样本图像输入至所述场景分割网络中进行训练；
获取与样本图像对应的样本场景分割结果；
根据所述样本场景分割结果与所述标注场景分割结果之间的分割损失，得到场景分割网络损失函数，根据所述场景分割网络损失函数更新所述场景分割网络的权重参数；
迭代执行所述场景分割网络的训练步骤，直至满足预定收敛条件。
7.根据权利要求6所述的方法，其中，所述预定收敛条件包括：迭代次数达到预设迭代次数；和/或，所述场景分割网络损失函数的输出值小于预设阈值。
8.根据权利要求7所述的方法，其中，所述方法还包括：在所述场景分割网络训练开始时，对所述尺度回归层的权重参数进行初始化处理。
9.一种图像场景分割装置，所述装置基于经过训练的场景分割网络而运行，所述装置包括：
获取模块，适于获取待分割图像；
分割模块，适于将所述待分割图像输入至所述场景分割网络中，其中，在场景分割网络中至少一层卷积层，利用尺度回归层输出的尺度系数对该卷积层的第一卷积块进行缩放处理，得到第二卷积块，而后利用所述第二卷积块进行该卷积层的卷积运算，获得该卷积层的输出结果；所述尺度回归层为所述场景分割网络的中间卷积层；所述尺度系数为尺度回归层输出的尺度系数特征图中的特征向量；
输出模块，适于输出与待分割图像对应的场景分割结果；
其中，所述场景分割网络的训练过程通过多次迭代完成；在一次迭代过程中，将样本图像输入至所述场景分割网络中进行训练，其中，在场景分割网络中至少一层卷积层，利用上一次迭代过程尺度回归层输出的尺度系数或者初始尺度系数对该卷积层的第一卷积块进行缩放处理，得到第二卷积块，而后利用所述第二卷积块进行该卷积层的卷积运算，获得该卷积层的输出结果。
10.根据权利要求9所述的装置，其中，所述分割模块进一步适于：
利用线性插值方法，从所述第二卷积块中采样得到特征向量，组成第三卷积块；
依据所述第三卷积块与该卷积层的卷积核进行卷积运算，获得该卷积层的输出结果。
11.根据权利要求9或10所述的装置，其中，所述场景分割网络训练所用的样本包含：样本库存储的多个样本图像以及与样本图像对应的标注场景分割结果。
12.根据权利要求11所述的装置，其中，所述装置还包括：场景分割网络训练模块；
所述场景分割网络训练模块适于：在一次迭代过程中，从所述样本库中提取样本图像以及与样本图像对应的标注场景分割结果，利用所述样本图像和所述标注场景分割结果实现场景分割网络的训练。
13.根据权利要求12所述的装置，其中，所述装置还包括：场景分割网络训练模块；
所述场景分割网络训练模块适于：在一次迭代过程中，将样本图像输入至场景分割网络，得到与样本图像对应的样本场景分割结果；
根据所述样本场景分割结果与所述标注场景分割结果之间的分割损失，得到场景分割网络损失函数，利用所述场景分割网络损失函数实现场景分割网络的训练。
14.根据权利要求13所述的装置，其中，所述装置还包括：场景分割网络训练模块；
所述场景分割网络训练模块包括：
提取单元，适于从所述样本库中提取样本图像以及与样本图像对应的标注场景分割结果；
训练单元，适于将所述样本图像输入至所述场景分割网络中进行训练；
获取单元，适于获取与样本图像对应的样本场景分割结果；
更新单元，适于根据所述样本场景分割结果与所述标注场景分割结果之间的分割损失，得到场景分割网络损失函数，根据所述场景分割网络损失函数更新所述场景分割网络的权重参数；
所述场景分割网络训练模块迭代运行，直至满足预定收敛条件。
15.根据权利要求14所述的装置，其中，所述预定收敛条件包括：迭代次数达到预设迭代次数；和/或，所述场景分割网络损失函数的输出值小于预设阈值。
16.根据权利要求15所述的装置，其中，所述场景分割网络训练模块进一步适于：在所述场景分割网络训练开始时，对所述尺度回归层的权重参数进行初始化处理。
17.一种电子设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-8中任一项所述的图像场景分割方法对应的操作。
18.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-8中任一项所述的图像场景分割方法对应的操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710908453.8A CN107610146B (zh) | 2017-09-29 | 2017-09-29 | 图像场景分割方法、装置、电子设备及计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710908453.8A CN107610146B (zh) | 2017-09-29 | 2017-09-29 | 图像场景分割方法、装置、电子设备及计算机存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107610146A CN107610146A (zh) | 2018-01-19 |
| CN107610146B true CN107610146B (zh) | 2021-02-23 |
Family
ID=61067205
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710908453.8A Active CN107610146B (zh) | 2017-09-29 | 2017-09-29 | 图像场景分割方法、装置、电子设备及计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107610146B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108645402A (zh) * | 2018-03-30 | 2018-10-12 | 深圳清创新科技有限公司 | 摄像与惯性测量传感装置、场景分割和位姿计算系统 |
| CN109086663B (zh) * | 2018-06-27 | 2021-11-05 | 大连理工大学 | 基于卷积神经网络的尺度自适应的自然场景文本检测方法 |
| CN109493346B (zh) * | 2018-10-31 | 2021-09-07 | 浙江大学 | 一种基于多损失的胃癌病理切片图像分割方法和装置 |
| WO2020093792A1 (en) * | 2018-11-08 | 2020-05-14 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method, system, and computer-readable medium for improving color quality of images |
| CN109635812B (zh) * | 2018-11-29 | 2019-11-08 | 中国科学院空间应用工程与技术中心 | 图像的实例分割方法及装置 |
| CN110288607A (zh) * | 2019-07-02 | 2019-09-27 | 数坤（北京）网络科技有限公司 | 分割网络的优化方法、系统和计算机可读存储介质 |
| CN110517267B (zh) * | 2019-08-02 | 2022-05-10 | Oppo广东移动通信有限公司 | 一种图像分割方法及装置、存储介质 |
| CN110766653B (zh) * | 2019-09-06 | 2022-07-05 | 上海联影智能医疗科技有限公司 | 图像分割方法、装置、计算机设备和存储介质 |
| CN111178181B (zh) * | 2019-12-16 | 2023-06-09 | 深圳市华尊科技股份有限公司 | 交通场景分割方法及相关装置 |
| CN111639523B (zh) * | 2020-04-17 | 2023-07-07 | 北京迈格威科技有限公司 | 目标检测方法、装置、计算机设备和存储介质 |
| CN111652824A (zh) * | 2020-06-30 | 2020-09-11 | 创新奇智(南京)科技有限公司 | 一种图像的处理方法、装置及网络的训练方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105678267A (zh) * | 2016-01-08 | 2016-06-15 | 浙江宇视科技有限公司 | 一种场景识别方法及装置 |
| CN106250931A (zh) * | 2016-08-03 | 2016-12-21 | 武汉大学 | 一种基于随机卷积神经网络的高分辨率图像场景分类方法 |
| CN106446930A (zh) * | 2016-06-28 | 2017-02-22 | 沈阳工业大学 | 基于深层卷积神经网络的机器人工作场景识别方法 |
| CN106530320A (zh) * | 2016-09-30 | 2017-03-22 | 深圳大学 | 一种端到端的图像分割处理方法及系统 |
| CN106599773A (zh) * | 2016-10-31 | 2017-04-26 | 清华大学 | 用于智能驾驶的深度学习图像识别方法、系统及终端设备 |
| CN106650690A (zh) * | 2016-12-30 | 2017-05-10 | 东华大学 | 基于深度卷积‑反卷积神经网络的夜视图像场景识别方法 |
| CN107194318A (zh) * | 2017-04-24 | 2017-09-22 | 北京航空航天大学 | 目标检测辅助的场景识别方法 |
-
2017
- 2017-09-29 CN CN201710908453.8A patent/CN107610146B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105678267A (zh) * | 2016-01-08 | 2016-06-15 | 浙江宇视科技有限公司 | 一种场景识别方法及装置 |
| CN106446930A (zh) * | 2016-06-28 | 2017-02-22 | 沈阳工业大学 | 基于深层卷积神经网络的机器人工作场景识别方法 |
| CN106250931A (zh) * | 2016-08-03 | 2016-12-21 | 武汉大学 | 一种基于随机卷积神经网络的高分辨率图像场景分类方法 |
| CN106530320A (zh) * | 2016-09-30 | 2017-03-22 | 深圳大学 | 一种端到端的图像分割处理方法及系统 |
| CN106599773A (zh) * | 2016-10-31 | 2017-04-26 | 清华大学 | 用于智能驾驶的深度学习图像识别方法、系统及终端设备 |
| CN106650690A (zh) * | 2016-12-30 | 2017-05-10 | 东华大学 | 基于深度卷积‑反卷积神经网络的夜视图像场景识别方法 |
| CN107194318A (zh) * | 2017-04-24 | 2017-09-22 | 北京航空航天大学 | 目标检测辅助的场景识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107610146A (zh) | 2018-01-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107610146B (zh) | 图像场景分割方法、装置、电子设备及计算机存储介质 | |
| CN107730514B (zh) | 场景分割网络训练方法、装置、计算设备及存储介质 | |
| CN107679489B (zh) | 基于场景分割的自动驾驶处理方法、装置及计算设备 | |
| CN109522874B (zh) | 人体动作识别方法、装置、终端设备及存储介质 | |
| US10936911B2 (en) | Logo detection | |
| CN107590811B (zh) | 基于场景分割的风景图像处理方法、装置及计算设备 | |
| CN106780512B (zh) | 分割图像的方法、应用及计算设备 | |
| CN107644423B (zh) | 基于场景分割的视频数据实时处理方法、装置及计算设备 | |
| JP2022040209A (ja) | 畳み込み画像変換推定を実行するための方法およびシステム | |
| CN107277615B (zh) | 直播风格化处理方法、装置、计算设备及存储介质 | |
| CN111402130B (zh) | 数据处理方法和数据处理装置 | |
| CN111860398B (zh) | 遥感图像目标检测方法、系统及终端设备 | |
| CN114186632B (zh) | 关键点检测模型的训练方法、装置、设备、存储介质 | |
| CN107277391B (zh) | 图像转换网络处理方法、服务器、计算设备及存储介质 | |
| CN112991447A (zh) | 一种动态环境下视觉定位与静态地图构建方法及系统 | |
| CN107563357B (zh) | 基于场景分割的直播服饰装扮推荐方法、装置及计算设备 | |
| CN110852349A (zh) | 一种图像处理方法、检测方法、相关设备及存储介质 | |
| US9865061B2 (en) | Constructing a 3D structure | |
| EP3093757A2 (en) | Multi-dimensional sliding window operation for a vector processor | |
| US11822900B2 (en) | Filter processing device and method of performing convolution operation at filter processing device | |
| CN108885683B (zh) | 用于位姿估计的方法和系统 | |
| CN107622498B (zh) | 基于场景分割的图像穿越处理方法、装置及计算设备 | |
| CN110956131A (zh) | 单目标追踪方法、装置及系统 | |
| CN114913330B (zh) | 点云部件分割方法、装置、电子设备与存储介质 | |
| CN113610856B (zh) | 训练图像分割模型和图像分割的方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |