CN109871890A - 图像处理方法和装置 - Google Patents
图像处理方法和装置 Download PDFInfo
- Publication number
- CN109871890A CN109871890A CN201910097773.9A CN201910097773A CN109871890A CN 109871890 A CN109871890 A CN 109871890A CN 201910097773 A CN201910097773 A CN 201910097773A CN 109871890 A CN109871890 A CN 109871890A
- Authority
- CN
- China
- Prior art keywords
- characteristic image
- image
- module
- characteristic
- hourglass network
- 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.)
- Pending
Links
Landscapes
- Processing Or Creating Images (AREA)
Abstract
本申请实施例公开了图像处理方法和装置。该方法的一具体实施方式包括:获取图像的多个特征图像,其中,各个特征图像的分辨率不同;将所述多个特征图像输入沙漏网络,得到所述沙漏网络输出的至少两个特征图像。本申请实施例能够利用沙漏网络,对图像的不同分辨率的特征图像进行融合,以使各个分辨率的特征得到充分的融合,从而使得到的每个特征图像中有丰富而准确的语义,有助于后续进行更加准确的图像分割或图像检测。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及互联网技术领域,尤其涉及图像处理方法和装置。
背景技术
图像经过卷积后可以得到特征图像,浅层提取特征后得到的特征图像分辨率较高,深层提取特征后得到的特征图像分辨率较低。
在图像的分辨率较高时,其中的细节信息居多。而在图像的分辨率较低时,其中的上下文信息居多。一般而言,通过相同的卷积操作所得到的特征图像中的特征,往往不能兼有细节信息以及上下文信息。
发明内容
本申请实施例提出了图像处理方法和装置。
第一方面,本申请实施例提供了一种图像处理方法,包括:获取图像的多个特征图像,其中,各个特征图像的分辨率不同;将所述多个特征图像输入沙漏网络,得到所述沙漏网络输出的至少两个特征图像。
在一些实施例中,所述获取图像的多个特征图像,包括:将所述图像输入特征金字塔网络,得到包括所述多个特征图像的特征图像金字塔。
在一些实施例中,所述沙漏网络包括多个级联的残余模块;所述将所述多个特征图像输入沙漏网络,包括:按照分辨率大小的降序顺序,将所述多个特征图像分别输入各残余模块,以使所述沙漏网络中的首级残余模块接收分辨率最大的特征图像,并使所述沙漏网络中的至少一个其他残余模块分别接收上一级残余模块的输出以及不同分辨率的特征图像,其中,级次在前的残余模块所接收的特征图像的分辨率大于级次在后的残余模块所接收的特征图像,接收特征图像的残余模块的级次为前预设数量级次。
在一些实施例中,所述按照分辨率大小的降序顺序,将所述多个特征图像分别输入各残余模块,包括:将分辨率最大的特征图像输入沙漏网络的首级残余模块进行特征提取,得到下采样后的特征图像。
在一些实施例中,在所述使所述沙漏网络中的至少一个其他残余模块分别接收上一级残余模块的输出以及不同分辨率的特征图像之前,所述方法还包括:对未输入沙漏网络的特征图像中分辨率最大的特征图像,以及通过所述沙漏网络得到的最新的下采样后的特征图像进行拼接,得到拼接后特征图像,其中,参与拼接的两个特征图像的分辨率相同;以及所述使所述沙漏网络中的至少一个其他残余模块分别接收上一级残余模块的输出以及不同分辨率的特征图像,包括:将所述拼接后特征图像输入所述沙漏网络中的下一级残余模块,以使所述下一级残余模块接收所述拼接后特征图像。
第二方面,本申请实施例提供了一种图像处理装置,包括:获取单元,被配置成获取图像的多个特征图像,其中,各个特征图像的分辨率不同;输出单元,被配置成将所述多个特征图像输入沙漏网络,得到所述沙漏网络输出的至少两个特征图像。
在一些实施例中,所述获取单元进一步被配置成:将所述图像输入特征金字塔网络,得到包括所述多个特征图像的特征图像金字塔。
在一些实施例中,所述沙漏网络包括多个级联的残余模块;所述输出单元,包括:接收子单元,被配置成按照分辨率大小的降序顺序,将所述多个特征图像分别输入各残余模块,以使所述沙漏网络中的首级残余模块接收分辨率最大的特征图像,并使所述沙漏网络中的至少一个其他残余模块分别接收上一级残余模块的输出以及不同分辨率的特征图像,其中,级次在前的残余模块所接收的特征图像的分辨率大于级次在后的残余模块所接收的特征图像,接收特征图像的残余模块的级次为前预设数量级次。
在一些实施例中,所述接收子单元,进一步被配置成:将分辨率最大的特征图像输入沙漏网络的首级残余模块进行特征提取,得到下采样后的特征图像。
在一些实施例中,所述装置还包括:拼接单元,被配置成对未输入沙漏网络的特征图像中分辨率最大的特征图像,以及通过所述沙漏网络得到的最新的下采样后的特征图像进行拼接,得到拼接后特征图像,其中,参与拼接的两个特征图像的分辨率相同;以及所述接收子单元,进一步被配置成:将所述拼接后特征图像输入所述沙漏网络中的下一级残余模块,以使所述下一级残余模块接收所述拼接后特征图像。
第三方面,本申请实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如图像处理方法中任一实施例的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如图像处理方法中任一实施例的方法。
本申请实施例提供的图像处理方案,首先,获取图像的多个特征图像,其中,各个特征图像的分辨率不同。之后,将所述多个特征图像输入沙漏网络,得到所述沙漏网络输出的至少两个特征图像。本申请的上述实施例提供的方法能够利用沙漏网络,对图像的不同分辨率的特征图像进行融合,以使各个分辨率的特征得到充分的融合,从而使每个特征图像中有丰富而准确的语义,有助于后续进行更加准确的图像分割或图像检测。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请可以应用于其中的示例性系统架构图;
图2是根据本申请的图像处理方法的一个实施例的流程图;
图3是根据本申请的图像处理方法的一个应用场景的示意图;
图4A是根据本申请的图像处理方法的又一个实施例的流程图;
图4B是根据本申请的图像处理方法的沙漏网络接收特征图像的示意图;
图5是根据本申请的图像处理装置的一个实施例的结构示意图;
图6是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的图像处理方法或图像处理装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如图像处理应用、视频类应用、直播应用、即时通信工具、邮箱客户端、社交平台软件等。
这里的终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有显示屏的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103提供支持的后台服务器。后台服务器可以对接收到的图像等数据进行分析等处理,并将处理结果(例如特征图像)反馈给终端设备。
需要说明的是,本申请实施例所提供的图像处理方法可以由服务器105或者终端设备101、102、103执行,相应地,图像处理装置可以设置于服务器105或者终端设备101、102、103中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的图像处理方法的一个实施例的流程200。该图像处理方法,包括以下步骤:
步骤201,获取图像的多个特征图像,其中,各个特征图像的分辨率不同。
在本实施例中,图像处理方法的执行主体(例如图1所示的服务器或终端设备)可以获取图像的多个特征图像(Feature Map)。这里的多个为两个以上。具体地,上述执行主体可以通过多种方式得到分辨率不同的特征图像。比如,可以将图像输入多个卷积层,通过各个卷积层的卷积过程,可以得到多个尺寸的特征图像。举例来说,在最左侧的首个卷积层可以卷积得到分辨率最大的特征图像。之后,通过第二个卷积层可以得到分辨率次之的特征图像。以此类推,得到各个特征图像。
在本实施例的一些可选的实现方式中,步骤201可以包括:
将图像输入特征金字塔网络,得到包括多个特征图像的特征图像金字塔。
在这些可选的实现方式中,上述执行主体可以将上述图像输入特征金字塔网络(feature pyramid networks,FPN),得到特征金字塔网络输出的各个特征图像。具体地,特征金字塔网络,在得到多个卷积层卷积得到的多个特征图像之后,对相邻的两个特征图像中的特征进行融合,以得到上述多个特征图像。举例来说,各个卷积层卷积得到三个特征图像,按照分辨率由大到小分别是图1、图2和图3。融合后,得到三个特征图像,分别是,图3,图2和图3的融合图,图1、图2和图3的融合图。
这些实现方式中的特征金字塔网络,得到的特征图像可以将卷积得到的不同分辨率的特征图像中的特征进行融合,以使输出的特征图像中可以包括丰富而准确的特征,有助于后续利用特征图像进行更加准确的图像分割或检测。进一步地,这些实现方式可以结合特征金字塔网络以及沙漏网络,以得到非常准确的特征图像。
步骤202,将多个特征图像输入沙漏网络,得到沙漏网络输出的至少两个特征图像。
在本实施例中,上述执行主体可以将上述多个特征图像输入沙漏网络(HourglassNetworks)。沙漏网络可以用于提取图像的特征,也可以用于对特征图像中的特征进行进一步融合和提取,以使特征融合得更加充分,所得到的特征图像中的特征更加准确。在沙漏网络中有用于提取特征的残余(Residual)模块。具体地,可以将上述多个特征图像中的各个特征图像分别输入沙漏网络中的不同的残余模块。这里所输入的残余模块可以是预先设定的。上述执行主体可以将分辨率不同的各个特征图像分别输入各个级次的残余模块。在沙漏网络中,残余模块会基于其上一级残余模块来确定本残余模块的输出。
在得到上述至少两个特征图像之后,可以将特征图像输入用于图像分割的卷积层或者用于关键点检测的卷积层。
继续参见图3,图3是根据本实施例的图像处理方法的应用场景的一个示意图。在图3的应用场景中,执行主体301可以获取图像的多个特征图像302,其中,各个特征图像的分辨率不同。将多个特征图像输入沙漏网络303,得到沙漏网络303输出的至少两个特征图像304。
本申请的上述实施例提供的方法能够利用沙漏网络,对图像的不同分辨率的特征图像进行融合,以使各个分辨率的特征得到充分的融合,从而使得到的每个特征图像中有丰富而准确的语义,有助于后续进行更加准确的图像分割或图像检测。
进一步参考图4A,其示出了图像处理方法的又一个实施例的流程400。该图像处理方法的流程400,包括以下步骤:
步骤401,获取图像的多个特征图像,其中,各个特征图像的分辨率不同。
在本实施例中,图像处理方法的执行主体(例如图1所示的服务器或终端设备)可以获取图像的多个特征图像(Feature Map)。这里的多个为两个以上。具体地,上述执行主体可以通过多种方式得到分辨率不同的特征图像。比如,可以将图像输入多个卷积层,通过各个卷积层的卷积过程,可以得到多个尺寸的特征图像。
步骤402,按照分辨率大小的降序顺序,将多个特征图像分别输入各残余模块,以使沙漏网络中的首级残余模块接收分辨率最大的特征图像,并使所述沙漏网络中的至少一个其他残余模块分别接收上一级残余模块的输出以及不同分辨率的特征图像,其中,级次在前的残余模块所接收的特征图像的分辨率大于级次在后的残余模块所接收的特征图像,接收特征图像的残余模块的级次为前预设数量级次。
在本实施例中,沙漏网络包括多个级联的残余模块。图像处理方法运行于其上的执行主体(例如图1所示的服务器或终端设备)可以按照分辨率大小的降序顺序,将上述多个特征图像中的各个特征图像输入各残余模块。首级残余模块接收分辨率最大的特征图像,其他残余模块不仅接收上述多个特征图像中的特征图像,还接受上一级残余模块的输出。上述多个特征图像中的不同特征图像所输入的残余模块是不同的。分辨率越大的特征图像,所输入的残余模块的级次越靠前。级次越靠前的残余模块的位置越靠左侧,上述多个特征图像中的特征图像则越在先输入其中。可以只向前几个级次的残余模块输入上述多个特征图像中的特征图像。举例来说,如图4B所示,多个特征图像分别为图A、图B、图C和图D,相对于原图的分辨率,图A的分辨率是1/32,图B的分辨率是1/16,图C的分辨率是1/8,图D的分辨率是1/4。沙漏网络有多个残余模块,可以向前4个级次的残余模块输入上述多个特征图像中所包括的4个分辨率不同的特征图像。这样,前四个级次的残余模块则可以接收到这4个特征图像。
在本实施例的一些可选的实现方式中,步骤402中的“按照分辨率大小的降序顺序,将上述多个特征图像所包括的特征图像分别输入各残余模块”包括:
将分辨率最大的特征图像输入沙漏网络的首级残余模块进行特征提取,得到下采样后的特征图像。
在这些可选的实现方式中,上述执行主体可以将分辨率最大的特征图像输入沙漏网络的首级残余模块,以通过首级残余模块进行特征的融合和提取。在这个过程中,对输入的分辨率最大的特征图像进行下采样,以得到下采样后的特征图像。
这些实现方式能够通过首级残余模块对特征的融合和提取,让沙漏网络的各个模块都能充分使用细节信息丰富的浅层特征。以使沙漏网络输出的特征图像更加准确,其中的特征更加丰富。
在这些实现方式的一些可选的应用场景中,在步骤402的“使沙漏网络中的至少一个其他残余模块分别接收上一级残余模块的输出以及不同分辨率的特征图像”之前,上述方法还包括:
对未输入沙漏网络的特征图像中分辨率最大的特征图像,以及通过沙漏网络得到的最新的下采样后的特征图像进行拼接,得到拼接后特征图像,其中,参与拼接的两个特征图像的分辨率相同。
上述步骤402中的“使沙漏网络中的至少一个其他残余模块分别接收上一级残余模块的输出以及不同分辨率的特征图像”,包括:
将拼接后特征图像输入沙漏网络中的下一级残余模块,以使下一级残余模块接收拼接后特征图像。
在这些可选的应用场景中,上述执行主体可以在将分辨率最大的特征图像输入沙漏网络的首级残余模块之后,将首级残余模块输出的下采样后的特征图像,与上述多个特征图像中分辨率在其次的特征图像进行拼接,以得到一个拼接后的特征图像并输入次级残余模块。之后,再将次级残余模块输出的特征图像与上述多个特征图像中分辨率在再次的特征图像进行拼接,以得到一个拼接后的特征图像并输入再次级残余模块。这样,就多次执行拼接以及输入残余模块的过程:将上述多个特征图像的未输入沙漏网络的特征图像中分辨率最大的特征图像,以及由上一级残余模块输出的、最新的下采样后的特征图像进行拼接,并将拼接后特征图像输入与上一级残余模块相邻的下一级残余模块。
举例来说,如图4B所示,将分辨率为1/4的图D输入残余模块C1,得到下采样后的图D’,图D’分辨率是1/8。将图D’与分辨率是1/8的图C进行拼接,并将拼接结果输入残余模块C2。
拼接为对两个(或多个)特征图像的矩阵按序排列,组合成一个矩阵,所组成的矩阵中的元素不发生改变,其通道数为相拼接的矩阵的通道数之和。拼接过程可以由沙漏模型进行,也可以由其他用于拼接的算法执行。
这些应用场景可以充分融合各个特征图像以及沙漏网络中各级残余模块的输出,让图像的每个特征图像中的特征都能够被多次融合,在确保不遗漏特征的情况下,去掉无用特征,得到准确而有用的特征。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种图像处理装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的图像处理装置500包括:获取单元501和输出单元502。其中,获取单元501,被配置成获取图像的多个特征图像,其中,各个特征图像的分辨率不同;输出单元502,被配置成将所述多个特征图像输入沙漏网络,得到所述沙漏网络输出的至少两个特征图像。
在一些实施例中,图像处理装置500的获取单元501可以获取图像的多个特征图像。这里的多个为两个以上。具体地,上述执行主体可以通过多种方式得到分辨率不同的特征图像。比如,可以将图像输入多个卷积层,通过各个卷积层的卷积过程,可以得到多个尺寸的特征图像。
在一些实施例中,输出单元502可以将上述多个特征图像输入沙漏网络。沙漏网络可以用于提取图像的特征,也可以用于对特征图像中的特征进行进一步融合和提取,以使特征融合得更加充分,所得到的特征图像中的特征更加准确。在沙漏网络中有用于提取特征的残余模块。
在本实施例的一些可选的实现方式中,目标图片为训练分类模型的训练样本集中的样本图片。
在本实施例的一些可选的实现方式中,所述获取单元进一步被配置成:将所述图像输入特征金字塔网络,得到包括所述多个特征图像的特征图像金字塔。
在本实施例的一些可选的实现方式中,所述沙漏网络包括多个级联的残余模块;所述输出单元,包括:接收子单元,被配置成按照分辨率大小的降序顺序,将所述多个特征图像分别输入各残余模块,以使所述沙漏网络中的首级残余模块接收分辨率最大的特征图像,并使所述沙漏网络中的至少一个其他残余模块分别接收上一级残余模块的输出以及不同分辨率的特征图像,其中,级次在前的残余模块所接收的特征图像的分辨率大于级次在后的残余模块所接收的特征图像,接收特征图像的残余模块的级次为前预设数量级次。
在本实施例的一些可选的实现方式中,所述接收子单元,进一步被配置成:将分辨率最大的特征图像输入沙漏网络的首级残余模块进行特征提取,得到下采样后的特征图像。
在本实施例的一些可选的实现方式中,所述装置还包括:拼接单元,被配置成对未输入沙漏网络的特征图像中分辨率最大的特征图像,以及通过所述沙漏网络得到的最新的下采样后的特征图像进行拼接,得到拼接后特征图像,其中,参与拼接的两个特征图像的分辨率相同;以及所述接收子单元,进一步被配置成:将所述拼接后特征图像输入所述沙漏网络中的下一级残余模块,以使所述下一级残余模块接收所述拼接后特征图像。
下面参考图6,其示出了适于用来实现本申请实施例的电子设备的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600包括处理器601,其可以根据存储在只读存储器(ROM,Read Only Memory)602中的程序或者从存储部分608加载到随机访问存储器(RAM,RandomAccess Memory)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有系统600操作所需的各种程序和数据。处理器601、ROM 602以及RAM603通过总线604彼此相连。输入/输出(I/O,Input/Output)接口605也连接至总线604。
以下部件连接至I/O接口605:包括硬盘等的存储部分606;以及包括诸如LAN(局域网,Local Area Network)卡、调制解调器等的网络接口卡的通信部分607。通信部分607经由诸如因特网的网络执行通信处理。驱动器608也根据需要连接至I/O接口605。可拆卸介质609,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器608上,以便于从其上读出的计算机程序根据需要被安装入存储部分606。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分607从网络上被下载和安装,和/或从可拆卸介质609被安装。在该计算机程序被处理器601执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元和输出单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取图像的多个特征图像的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置:获取图像的多个特征图像,其中,各个特征图像的分辨率不同;将所述多个特征图像输入沙漏网络,得到所述沙漏网络输出的至少两个特征图像。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (12)
1.一种图像处理方法,包括:
获取图像的多个特征图像,其中,各个特征图像的分辨率不同;
将所述多个特征图像输入沙漏网络,得到所述沙漏网络输出的至少两个特征图像。
2.根据权利要求1所述的方法,其中,所述获取图像的多个特征图像,包括:
将所述图像输入特征金字塔网络,得到包括所述多个特征图像的特征图像金字塔。
3.根据权利要求1或2所述的方法,其中,所述沙漏网络包括多个级联的残余模块;
所述将所述多个特征图像输入沙漏网络,包括:
按照分辨率大小的降序顺序,将所述多个特征图像分别输入各残余模块,以使所述沙漏网络中的首级残余模块接收分辨率最大的特征图像,并使所述沙漏网络中的至少一个其他残余模块分别接收上一级残余模块的输出以及不同分辨率的特征图像,其中,级次在前的残余模块所接收的特征图像的分辨率大于级次在后的残余模块所接收的特征图像,接收特征图像的残余模块的级次为前预设数量级次。
4.根据权利要求3所述的方法,其中,所述按照分辨率大小的降序顺序,将所述多个特征图像分别输入各残余模块,包括:
将分辨率最大的特征图像输入沙漏网络的首级残余模块进行特征提取,得到下采样后的特征图像。
5.根据权利要求4所述的方法,其中,在所述使所述沙漏网络中的至少一个其他残余模块分别接收上一级残余模块的输出以及不同分辨率的特征图像之前,所述方法还包括:
对未输入沙漏网络的特征图像中分辨率最大的特征图像,以及通过所述沙漏网络得到的最新的下采样后的特征图像进行拼接,得到拼接后特征图像,其中,参与拼接的两个特征图像的分辨率相同;以及
所述使所述沙漏网络中的至少一个其他残余模块分别接收上一级残余模块的输出以及不同分辨率的特征图像,包括:
将所述拼接后特征图像输入所述沙漏网络中的下一级残余模块,以使所述下一级残余模块接收所述拼接后特征图像。
6.一种图像处理装置,包括:
获取单元,被配置成获取图像的多个特征图像,其中,各个特征图像的分辨率不同;
输出单元,被配置成将所述多个特征图像输入沙漏网络,得到所述沙漏网络输出的至少两个特征图像。
7.根据权利要求6所述的装置,其中,所述获取单元进一步被配置成:
将所述图像输入特征金字塔网络,得到包括所述多个特征图像的特征图像金字塔。
8.根据权利要求6或7所述的装置,其中,所述沙漏网络包括多个级联的残余模块;
所述输出单元,包括:
接收子单元,被配置成按照分辨率大小的降序顺序,将所述多个特征图像分别输入各残余模块,以使所述沙漏网络中的首级残余模块接收分辨率最大的特征图像,并使所述沙漏网络中的至少一个其他残余模块分别接收上一级残余模块的输出以及不同分辨率的特征图像,其中,级次在前的残余模块所接收的特征图像的分辨率大于级次在后的残余模块所接收的特征图像,接收特征图像的残余模块的级次为前预设数量级次。
9.根据权利要求8所述的装置,其中,所述接收子单元,进一步被配置成:
将分辨率最大的特征图像输入沙漏网络的首级残余模块进行特征提取,得到下采样后的特征图像。
10.根据权利要求9所述的装置,其中,所述装置还包括:
拼接单元,被配置成对未输入沙漏网络的特征图像中分辨率最大的特征图像,以及通过所述沙漏网络得到的最新的下采样后的特征图像进行拼接,得到拼接后特征图像,其中,参与拼接的两个特征图像的分辨率相同;以及
所述接收子单元,进一步被配置成:
将所述拼接后特征图像输入所述沙漏网络中的下一级残余模块,以使所述下一级残余模块接收所述拼接后特征图像。
11.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一种计算机可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910097773.9A CN109871890A (zh) | 2019-01-31 | 2019-01-31 | 图像处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910097773.9A CN109871890A (zh) | 2019-01-31 | 2019-01-31 | 图像处理方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109871890A true CN109871890A (zh) | 2019-06-11 |
Family
ID=66918420
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910097773.9A Pending CN109871890A (zh) | 2019-01-31 | 2019-01-31 | 图像处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109871890A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728237A (zh) * | 2019-10-12 | 2020-01-24 | 创新奇智(成都)科技有限公司 | 不使用预先标定框的商品检测方法 |
CN114827482A (zh) * | 2021-01-28 | 2022-07-29 | 北京字节跳动网络技术有限公司 | 图像亮度的调整方法、装置、电子设备及介质 |
CN112396083B (zh) * | 2019-08-19 | 2024-02-20 | 阿里巴巴集团控股有限公司 | 图像识别、模型训练与构建、检测方法、系统及设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229497A (zh) * | 2017-07-28 | 2018-06-29 | 北京市商汤科技开发有限公司 | 图像处理方法、装置、存储介质、计算机程序和电子设备 |
CN109255352A (zh) * | 2018-09-07 | 2019-01-22 | 北京旷视科技有限公司 | 目标检测方法、装置及系统 |
-
2019
- 2019-01-31 CN CN201910097773.9A patent/CN109871890A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229497A (zh) * | 2017-07-28 | 2018-06-29 | 北京市商汤科技开发有限公司 | 图像处理方法、装置、存储介质、计算机程序和电子设备 |
CN109255352A (zh) * | 2018-09-07 | 2019-01-22 | 北京旷视科技有限公司 | 目标检测方法、装置及系统 |
Non-Patent Citations (3)
Title |
---|
ALEJANDRO NEWELL等: "Stacked Hourglass Networks for Human Pose Estimation", 《ARXIV:1603.06937》 * |
CHUNSHENG GUO等: "MULTI-SCALE STACKED HOURGLASS NETWORK FOR HUMAN POSE ESTIMATION", 《HTTPS://OPENREVIEW.NET/FORUM?ID=HKM3VJCCF7》 * |
TSUNG-YI LIN等: "Feature Pyramid Networks for Object Detection", 《ARXIV:1612.03144》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112396083B (zh) * | 2019-08-19 | 2024-02-20 | 阿里巴巴集团控股有限公司 | 图像识别、模型训练与构建、检测方法、系统及设备 |
CN110728237A (zh) * | 2019-10-12 | 2020-01-24 | 创新奇智(成都)科技有限公司 | 不使用预先标定框的商品检测方法 |
CN110728237B (zh) * | 2019-10-12 | 2022-06-07 | 创新奇智(成都)科技有限公司 | 不使用预先标定框的商品检测方法 |
CN114827482A (zh) * | 2021-01-28 | 2022-07-29 | 北京字节跳动网络技术有限公司 | 图像亮度的调整方法、装置、电子设备及介质 |
CN114827482B (zh) * | 2021-01-28 | 2023-11-03 | 抖音视界有限公司 | 图像亮度的调整方法、装置、电子设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108830235A (zh) | 用于生成信息的方法和装置 | |
CN107633218B (zh) | 用于生成图像的方法和装置 | |
CN109508681A (zh) | 生成人体关键点检测模型的方法和装置 | |
CN109492128B (zh) | 用于生成模型的方法和装置 | |
CN112954450B (zh) | 视频处理方法、装置、电子设备和存储介质 | |
CN109308490A (zh) | 用于生成信息的方法和装置 | |
CN109255767A (zh) | 图像处理方法和装置 | |
CN109871890A (zh) | 图像处理方法和装置 | |
CN108984399A (zh) | 检测界面差异的方法、电子设备和计算机可读介质 | |
CN111523413A (zh) | 生成人脸图像的方法和装置 | |
CN109063653A (zh) | 图像处理方法和装置 | |
CN109215121A (zh) | 用于生成信息的方法和装置 | |
CN109344762A (zh) | 图像处理方法和装置 | |
CN109871791A (zh) | 图像处理方法和装置 | |
CN110502665A (zh) | 视频处理方法和装置 | |
CN110516099A (zh) | 图像处理方法和装置 | |
CN109583389A (zh) | 绘本识别方法及装置 | |
CN109285181A (zh) | 用于识别图像的方法和装置 | |
CN111861867A (zh) | 图像背景虚化方法和装置 | |
CN109543068A (zh) | 用于生成视频的评论信息的方法和装置 | |
CN110472558A (zh) | 图像处理方法和装置 | |
CN109117758A (zh) | 用于生成信息的方法和装置 | |
CN109829520A (zh) | 图像处理方法和装置 | |
CN109993749A (zh) | 提取目标图像的方法和装置 | |
CN108921138B (zh) | 用于生成信息的方法和装置 |
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 |