CN110633715B - 图像处理方法、网络训练方法及装置、和电子设备 - Google Patents

Abstract

本公开涉及一种图像处理方法、网络训练方法及装置、和电子设备，所述方法包括：获取待处理图像的第一图像特征；根据所述第一图像特征及一个或多个预设滤波核分别生成一个或多个滤波器；根据所述第一图像特征及所述一个或多个滤波器，得到所述待处理图像的一个或多个第二图像特征；根据所述一个或多个第二图像特征，确定所述待处理图像中各像素的标签信息。本公开实施例可提高待处理图像中各像素标签信息识别的准确性。

Description

图像处理方法、网络训练方法及装置、和电子设备

技术领域

本公开涉及计算机技术领域，尤其涉及一种图像处理方法、网络训练方法及装置、和电子设备。

背景技术

语义分割是计算机视觉中的一项重要但具有挑战性的任务，其目的在于为图像中的每个像素分配类别标签。但由于物体存在很大尺度的变化，因此通过单个尺度的特征表达预测像素的标签是不合理的，需要通过多个尺度的特征表达来预测像素的标签。

相关技术中利用不同大小的滤波器来构造多尺度的特征表达，但这些滤波器都是预先训练好的，滤波器的权重是不能调整的，针对不同的图像的适应性并不好。

发明内容

本公开提出了一种图像处理技术方案。

根据本公开的一方面，提供了一种图像处理方法，包括：

获取待处理图像的第一图像特征；

根据所述第一图像特征及一个或多个预设滤波核分别生成一个或多个滤波器；

根据所述第一图像特征及所述一个或多个滤波器，得到所述待处理图像的一个或多个第二图像特征；

根据所述一个或多个第二图像特征，确定所述待处理图像中各像素的标签信息。

在一种可能的实现方式中，不同的预设滤波核对应不同的图像尺度，以使得可以通过不同的预设滤波核生成不同卷积核大小的滤波器，进而通过不同卷积核大小的滤波器可以构造待处理图像在不同图像尺度上的特征表达。

在一种可能的实现方式中，所述根据所述第一图像特征及一个或多个预设滤波核分别生成一个或多个滤波器，包括：

根据所述一个或多个预设滤波核分别对所述第一图像特征进行池化处理，得到一个或多个上下文信息；

对所述一个或多个上下文信息分别进行卷积处理，得到所述一个或多个滤波器。

这样，可以通过池化操作将任意大小的待处理图像的第一图像特征表达池化为特定大小(预设滤波核)的特征表达(上下文信息)，可以根据待处理图像的上下文信息动态的生成滤波器，并通过生成的不同大小的滤波器可以捕获多图像尺度的内容和多图像尺度的特征表达。在一种可能的实现方式中，所述根据所述第一图像特征及所述一个或多个滤波器，得到所述待处理图像的一个或多个第二图像特征，包括：

对卷积处理后的所述第一图像特征进行降维处理，得到降维后的第一图像特征；

将所述降维后的第一图像特征与所述一个或多个滤波器分别进行深度卷积处理，得到一个或多个第三图像特征；

对所述一个或多个第三图像特征分别进行卷积处理，得到所述待处理图像的一个或多个第二图像特征。

这样，可以根据待处理图像动态的生成适应不同图像尺度的滤波器，该滤波器的权重是根据该待处理图像动态生成的，适应性更好，进而构造的待处理图像在多个图像尺度上的特征表达更为准确。

在一种可能的实现方式中，所述根据所述一个或多个第二图像特征，确定所述待处理图像中各像素的标签信息，包括：

根据述第一图像特征及所述一个或多个第二图像特征，确定所述待处理图像中各像素的标签信息。

这样，可以根据待处理图像动态的生成适应不同图像尺度的滤波器，该滤波器的权重是根据该待处理图像动态生成的，适应性更好，进而构造的待处理图像在多个图像尺度上的特征表达更为准确，进而使得根据第二图像特征确定的待处理图像中各像素的标签信息准确性更高。

在一种可能的实现方式中，所述根据所述第一图像特征及所述一个或多个第二图像特征，确定所述待处理图像中各像素的标签信息，包括：

将所述一个或多个第二图像特征与所述第一图像特征进行整合，得到整合后的图像特征；

对整合后的图像特征进行卷积处理，得到所述待处理图像中各像素的标签信息。

这样，可以根据待处理图像动态的生成适应不同图像尺度的滤波器，该滤波器的权重是根据该待处理图像动态生成的，适应性更好，进而构造的待处理图像在多个图像尺度上的特征表达更为准确，进而使得根据第二图像特征确定的待处理图像中各像素的标签信息准确性更高。

在一种可能的实现方式中，针对上下文信息、和/或第一图像特征、和/或第三图像特征的卷积处理为通过1×1的卷积核对上下文信息、和/或第一图像特征、和/或第三图像特征进行卷积处理，以可以通过1×1的卷积核构造适应多个图像尺度的滤波器，减少了计算过程中的参数，有效的降低了计算量。

在一种可能的实现方式中，所述方法通过神经网络实现，所述方法还包括：根据预设的训练集训练所述神经网络，所述训练集包括：至少一个样本图像及所述样本图像中各像素的原始标签信息。

在一种可能的实现方式中，所述神经网络包括特征提取模块、至少一个动态滤波器生成模块以及融合模块，所述根据预设的训练集训练所述神经网络包括：

将至少一个样本图像输入至特征提取模块，得到第一图像特征；

将所述第一图像特征输入至所述至少一个动态滤波器生成模块，得到一个或多个滤波器，并分别根据所述一个或多个所述滤波器及所述第一图像特征，得到所述样本图像的一个或多个第二图像特征；

将所述一个或多个第二图像特征输入至所述融合模块，确定所述样本图像中各像素的第一标签信息；

根据所述样本图像中各像素的原始标签信息及各像素的第一标签信息，确定所述神经网络的生成损失；

根据所述生成损失，训练所述神经网络。

这样，本公开实施例提供的图像处理方法训练得到的神经网络，通过动态滤波器生成模块根据待处理图像动态的生成适应不同图像尺度的滤波器，该滤波器的权重是根据该待处理图像动态生成的，适应性更好，进而构造的待处理图像在多个图像尺度上的特征表达更为准确。

在一种可能的实现方式中，所述动态滤波器生成模块包括：池化模块和卷积模块；

所述将所述第一图像特征输入至所述至少一个动态滤波器生成模块，得到一个或多个滤波器，包括：

所述池化模块根据预设滤波核对所述第一图像特征进行池化处理，得到上下文信息；

所述卷积模块对所述上下文信息进行卷积处理，得到滤波器。

这样，可以通过池化模块将任意大小的待处理图像池化为指定大小的特征表达，进而生成指定卷积核大小的滤波器，可以构造待处理图像在不同图像尺度上的特征表达。

根据本公开的一方面，提供了一种图像处理装置，包括：

获取模块，用于获取待处理图像的第一图像特征；

生成模块，用于根据所述第一图像特征及一个或多个预设滤波核分别生成一个或多个滤波器；

处理模块，用于根据所述第一图像特征及所述一个或多个滤波器，得到所述待处理图像的一个或多个第二图像特征；

确定模块，用于根据所述一个或多个第二图像特征，确定所述待处理图像中各像素的标签信息。

在一种可能的实现方式中，不同的预设滤波核对应不同的图像尺度。

在一种可能的实现方式中，所述生成模块，还用于：

根据所述一个或多个预设滤波核分别对所述第一图像特征进行池化处理，得到一个或多个上下文信息；

对所述一个或多个上下文信息分别进行卷积处理，得到所述一个或多个滤波器。

在一种可能的实现方式中，所述处理模块，还用于：

对卷积处理后的所述第一图像特征进行降维处理，得到降维后的第一图像特征；

将所述降维后的第一图像特征与所述一个或多个滤波器分别进行深度卷积处理，得到一个或多个第三图像特征；

对所述一个或多个第三图像特征分别进行卷积处理，得到所述待处理图像的一个或多个第二图像特征。

在一种可能的实现方式中，所述确定模块，还用于：

根据述第一图像特征及所述一个或多个第二图像特征，确定所述待处理图像中各像素的标签信息。

在一种可能的实现方式中，所述确定模块，还用于：

将所述一个或多个第二图像特征与所述第一图像特征进行整合，得到整合后的图像特征；

对整合后的图像特征进行卷积处理，得到所述待处理图像中各像素的标签信息。

在一种可能的实现方式中，针对上下文信息、和/或第一图像特征、和/或第三图像特征的卷积处理为通过1×1的卷积核对上下文信息、和/或第一图像特征、和/或第三图像特征进行卷积处理。

在一种可能的实现方式中，所述装置包括神经网络训练模块，

所述神经网络训练模块，用于：

根据预设的训练集训练所述神经网络，所述训练集包括：至少一个样本图像及所述样本图像中各像素的原始标签信息。

在一种可能的实现方式中，所述神经网络包括特征提取模块、至少一个动态滤波器生成模块以及融合模块，所述神经网络训练模块，用于：

将至少一个样本图像输入至特征提取模块，得到第一图像特征；

将所述第一图像特征输入至所述至少一个动态滤波器生成模块，得到一个或多个滤波器，并分别根据所述一个或多个所述滤波器及所述第一图像特征，得到所述样本图像的一个或多个第二图像特征；

将所述一个或多个第二图像特征输入至所述融合模块，确定所述样本图像中各像素的第一标签信息；

根据所述样本图像中各像素的原始标签信息及各像素的第一标签信息，确定所述神经网络的生成损失；

根据所述生成损失，训练所述神经网络。

在一种可能的实现方式中，所述动态滤波器生成模块包括：池化模块和卷积模块；

所述神经网络训练模块，还用于：

所述池化模块根据预设滤波核对所述第一图像特征进行池化处理，得到上下文信息；

所述卷积模块对所述上下文信息进行卷积处理，得到滤波器。

根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。

根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。

这样，获取待处理图像的第一图像特征后，可以根据该第一图像特征及一个或多个预设滤波核分别生成一个或多个不同卷积核大小的滤波器，并根据一个或多个滤波器及第一图像特征，得到待处理图像的一个或多个第二图像特征，以构造待处理图像在多个图像尺度上的特征表达，进而根据一个或多个第二图像特征，确定待处理图像中各像素的标签信息。本公开实施例公开的图像处理方法、网络训练方法及装置、和电子设备可以根据待处理图像动态的生成适应不同图像尺度的滤波器，该滤波器的权重是根据该待处理图像动态生成的，适应性更好，进而构造的待处理图像在多个图像尺度上的特征表达更为准确，进而使得确定的待处理图像中各像素的标签信息准确性更高。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。

图1示出根据本公开实施例的图像处理方法的流程图；

图2示出根据本公开实施例的图像处理方法的流程图；

图3示出本公开实施例中用于图像处理的神经网络的结构示意图；

图4示出根据本公开实施例的图像处理装置的框图；

图5示出根据本公开实施例的一种电子设备800的框图；

图6示出根据本公开实施例的一种电子设备1900的框图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。

另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

图1示出根据本公开实施例的图像处理方法的流程图。该图像处理方法可以由终端设备或其它处理设备执行，其中，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。其它处理设备可为服务器或云端服务器等。在一些可能的实现方式中，该图像处理方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。

如图1所示，所述方法可以包括：

在步骤S11中，获取待处理图像的第一图像特征。

举例来说，可以通过预先训练的卷积神经网络对待处理图像进行图像特征提取操作，以获取该待处理图像的第一图像特征，卷积神经网络的训练过程将在网络训练方法对应的实施例中详细说明，本公开实施例在此不再赘述。

在步骤S12中，根据所述第一图像特征及一个或多个预设滤波核分别生成一个或多个滤波器。

举例来说，预设滤波核可以为预设的待生成滤波器的卷积核的大小，不同的预设滤波核对应的可以生成不同卷积核大小的滤波器。可以动态的根据预设滤波核提取第一图像特征中的区域上下文信息，并根据该区域上下文信息生成滤波器，也即滤波器的权重是根据第一图像特征生成的。当存在多个预设滤波核时，可以根据各个预设滤波核分别提取第一图像特征中的区域上下文信息，进而分别根据提取的多个区域上下文信息生成多个滤波器。

在一种可能的实现方式中，不同的预设滤波核对应不同的图像尺度，也即根据不同的预设滤波核生成的多个滤波器可以用于构造待处理图像对应不同图像尺度的特征表达，这样，可以使得通过不同的预设滤波核生成不同卷积核大小的滤波器，进而通过不同卷积核大小的滤波器可以构造待处理图像在不同图像尺度上的特征表达。

示例性的，可以分别根据1×1、3×3、5×5、7×7的预设滤波核及第一图像特征生成4个卷积核分别为1×1、3×3、5×5、7×7的滤波器，其中预设滤波核越大，对应生成的滤波器可构造待处理图像在越大图像尺度的特征表达。

在步骤S13中，根据所述第一图像特征及所述一个或多个滤波器，得到所述待处理图像的一个或多个第二图像特征。

举例来说，可以根据生成的一个或多个滤波器分别对第一图像特征进行图像处理，构造待处理图像对应一个或多个图像尺度的第二图像特征。

示例性的，前述示例中生成了卷积核大小分别为1×1、3×3、5×5、7×7的4个滤波器，分别对第一图像特征进行图像处理，可以构造待处理图像在4个不同图像尺度上的第二图像特征。

在步骤S14中，根据所述一个或多个第二图像特征，确定所述待处理图像中各像素的标签信息。

举例来说，可以联合各个滤波器构造的待处理图像在不同图像尺度上的特征表达(第二图像特征)，确定待处理图像中各像素的标签信息。

在一种可能的实现方式中，上述所述根据所述一个或多个第二图像特征，确定所述待处理图像中各像素的标签信息，可以包括：

根据述第一图像特征及所述一个或多个第二图像特征，确定所述待处理图像中各像素的标签信息。

举例来说，可以整合上述第一图像特征及一个或多个第二图像特征，根据整合得到的图像特征进行待处理图像各像素标签信息的识别操作，得到待处理图像中各像素的标签信息。这样，根据待处理图像动态的生成适应不同图像尺度的滤波器，该滤波器的权重是根据该待处理图像动态生成的，适应性更好，进而构造的待处理图像在多个图像尺度上的特征表达更为准确，进而使得根据第二图像特征确定的待处理图像中各像素的标签信息准确性更高。

在一种可能的实现方式中，上述所述根据所述第一图像特征及所述一个或多个第二图像特征，确定所述待处理图像中各像素的标签信息，可以包括：

将所述一个或多个第二图像特征与所述第一图像特征进行整合，得到整合后的图像特征；

对整合后的图像特征进行卷积处理，得到所述待处理图像中各像素的标签信息。

举例来说，通过生成的多个滤波器及第一图像特征构造了待处理图像在多个图像尺度上的特征表达(第二图像特征)后，可以将各第二图像特征与第一图像特征进行整合，对整合后得到的图像特征进行卷积处理(例如：用预先训练得到的用于识别像素标签信息的神经网络对整合后的图像特征进行卷积处理)，得到待处理图像中各像素的标签信息。

示例性的，前述示例中4个滤波器分别构造了待处理图像在四个图像尺度上的第二图像特征，可以将该4个第二图像特征与第一图像特征进行整合，得到整合后的图像特征，对该整合后的图像特征进行卷积处理，得到待处理图像中个像素的标签信息。

这样，获取待处理图像的第一图像特征后，可以根据该第一图像特征及一个或多个预设滤波器分别生成一个或多个不同卷积核大小的滤波器，并根据一个或多个滤波器及第一图像特征，得到待处理图像的一个或多个第二图像特征，以构造待处理图像在多个图像尺度上的特征表达，进而根据一个或多个第二图像特征，确定待处理图像中各像素的标签信息。本公开实施例公开的图像处理方法可以根据待处理图像动态的生成适应不同图像尺度的滤波器，该滤波器的权重是根据该待处理图像动态生成的，适应性更好，进而构造的待处理图像在多个图像尺度上的特征表达更为准确，进而使得确定的待处理图像中各像素的标签信息准确性更高。

在一种可能的实现方式中，上述根据所述第一图像特征及一个或多个预设滤波核分别生成一个或多个滤波器，可以包括：

根据所述一个或多个预设滤波核分别对所述第一图像特征进行池化处理，得到一个或多个上下文信息；

对所述一个或多个上下文信息分别进行卷积处理，得到所述一个或多个滤波器。

举例来说，可以通过待生成的滤波器的预设滤波核(例如：k×k)对第一图像特征进行池化处理，以将第一图像特征池化为预设滤波核(k×k)的特征表达，提取出该第一图像特征中的区域(k×k)上下文信息。在存在多个预设滤波核时，可以提取出多个上下文信息。并对各上下文信息分别进行卷积处理后，得到一个或者多个滤波器。

例如：当预设滤波核分别为1×1、3×3、5×5、7×7时，可以分别将第一图像特征池化为1×1、3×3、5×5、7×7的特征表达，得到1×1、3×3、5×5、7×7的上下文信息，进而分别对1×1、3×3、5×5、7×7的上下文信息进行卷积处理，得到卷积核分别为1×1、3×3、5×5、7×7的滤波器。

这样一来，可以通过池化操作将任意大小的待处理图像的第一图像特征表达池化为特定大小(预设滤波核)的特征表达(上下文信息)，可以根据待处理图像的上下文信息动态的生成滤波器，并通过生成的不同大小的滤波器可以捕获多图像尺度的内容和多图像尺度的特征表达。

在一种可能的实现方式中，上述根据所述第一图像特征及所述一个或多个滤波器，得到所述待处理图像的一个或多个第二图像特征，可以包括：

对卷积处理后的所述第一图像特征进行降维处理，得到降维后的第一图像特征；

将所述降维后的第一图像特征与所述一个或多个滤波器分别进行深度卷积处理，得到一个或多个第三图像特征；

对所述一个或多个第三图像特征分别进行卷积处理，得到所述待处理图像的一个或多个第二图像特征。

举例来说，可以对第一图像特征进行一次卷积处理，并将卷积处理后的第一图像特征进行降维处理，得到降维后的第一图像特征，并将降维后的第一图像特征与各个滤波器分别进行深度卷积处理，得到一个或者多个第三图像特征。将各个第三图像特征分别进行卷积处理后，构造了待处理图像在一个或者多个图像尺度上的特征表达，得到了待处理图像的一个或者多个第二图像特征。

这样，可以根据待处理图像动态的生成适应不同图像尺度的滤波器，该滤波器的权重是根据该待处理图像动态生成的，适应性更好，进而构造的待处理图像在多个图像尺度上的特征表达更为准确。

在一种可能的实现方式中，上述针对上下文信息、和/或第一图像特征、和/或第三图像特征的卷积处理为通过1×1的卷积核对上下文信息、和/或第一图像特征、和/或第三图像特征进行卷积处理。

举例来说，前述针对上下文信息的卷积处理可以为通过1×1的卷积核对上下文信息进行卷积处理，这样一来，本公开实施例提供的图像处理方法可以通过1×1的卷积核构造适应多个图像尺度的滤波器，并可以通过1×1的卷积核对第一图像特征、第三图像特征进行卷积处理，减少了计算过程中的参数，有效的降低了计算量。

在一种可能的实现方式中，上述图像处理方法可以通过神经网络实现，该方法还可以包括：根据预设的训练集训练所述神经网络，所述训练集包括：至少一个样本图像及所述样本图像中各像素的原始标签信息。

举例来说，本公开实施例可以通过训练集预先训练神经网络，该神经网络可以对待处理图像进行图像特征提取后，根据提取的图像特征生成对应不同图像尺度的滤波器，进而根据该滤波器构造待处理图像在不同图像尺度上的特征表达，融合待处理图像在不同图像尺度上的特征表达，可以得到待处理图像中各像素的标签信息。

图2示出根据本公开实施例的图像处理方法的流程图。在一种可能的实现方式中，上述神经网络可以包括特征提取模块、至少一个动态滤波器生成模块以及融合模块，

如图2所示，上述根据预设的训练集训练所述神经网络可以包括：

在步骤S15中，将至少一个样本图像输入至特征提取模块，得到第一图像特征。

在步骤S16中、将所述第一图像特征输入至所述至少一个动态滤波器生成模块，得到一个或多个滤波器，并分别根据所述一个或多个所述滤波器及所述第一图像特征，得到所述样本图像的一个或多个第二图像特征；

在步骤S17中、将所述一个或多个第二图像特征输入至所述融合模块，确定所述样本图像中各像素的第一标签信息。

举例来说，特征提取模块可以与动态滤波器生成模块同时训练，或者该特征提取模块可以为预先训练好用于进行图像特征提取的网络，例如：可以通过ImageNet(数据库)对分类网络进行训练，该分类网络中包括用于进行图像特征提取的卷积神经网络，该分类网络为用于识别图像类别的网络，ImageNet中包括样本图像及样本图像的标注类别，可以根据分类网络对样本图像进行识别处理，得到样本图像的类别，进而根据样本图像的标注类别及该样本图像的类别训练分类网络，并将训练完成的分类网络中用于进行图像特征提取的卷积神经网络作为本公开实施例中的特征提取模块，以用于进行图像特征提取。

可以将至少一个样本图像输入至该特征提取模块，进行图像特征提取，该特征提取模块的输出即为样本图像的第一图像特征，将该第一图像特征分别输入至少一个动态滤波器生成模块，以用于生成至少一个适应不同图像尺度的滤波器。

举例来说，动态滤波器生成模块可以动态的根据预设滤波核提取第一图像特征中的区域上下文信息，并根据该区域上下文信息生成滤波器，多个动态滤波器生成器模块可以分别根据不同的预设滤波核分别提取第一图像特征中的区域上下文信息，进而分别根据提取的多个区域上下文信息生成多个滤波器。其中，预设滤波核为预设的待生成的滤波器的卷积核大小。

在一种可能的实现方式中，上述所述动态滤波器生成模块可以包括：池化模块和卷积模块，

上述将所述第一图像特征输入至所述至少一个动态滤波器生成模块，得到一个或多个滤波器，可以包括：

所述池化模块根据预设滤波核对所述第一图像特征进行池化处理，得到上下文信息；

所述卷积模块对所述上下文信息进行卷积处理，得到滤波器。

举例来说，池化模块可以通过待生成的滤波器的预设滤波核(例如：k×k)对第一图像特征进行池化处理，以将第一图像特征池化为预设滤波核(k×k)的特征表达，提取出该第一图像特征中的区域(k×k)上下文信息。卷积模块对各上下文信息分别进行卷积处理后，得到一个或者多个滤波器。

在一种可能的实现方式中，上述卷积模块可以通过1*1的卷积核对上下文信息进行卷积处理。

在通过至少一个动态滤波器生成模块生成至少一个滤波器后，可以通过各个滤波器及第一图像特征，得到所述样本图像的一个或多个第二图像特征。

举例来说，可以对第一图像特征进行一次卷积处理，并将卷积处理后的第一图像特征进行降维处理，得到降维后的第一图像特征，并将降维后的第一图像特征与各个滤波器分别进行深度卷积处理，得到一个或者多个第三图像特征。将各个第三图像特征分别进行卷积处理后，构造了待处理图像在一个或者多个图像尺度上的特征表达，得到了待处理图像的一个或者多个第二图像特征。

举例来说，通过生成的多个滤波器及第一图像特征构造了样本图像在多个图像尺度上的特征表达(第二图像特征)后，可以将一个或者多个第二图像特征及第一图像特征输入融合模块，该融合模块可以对一个或多个第二图像特征及第一图像特征进行整合，对整合后得到的图像特征进行卷积处理(例如：该融合模块可以为预先训练得到的用于识别像素标签的神经网络)，得到样本图像中各像素的第一标签信息。

在步骤S18中，根据所述样本图像中各像素的原始标签信息及各像素的第一标签信息，确定所述神经网络的生成损失。

在步骤S19中，根据所述生成损失，训练所述神经网络。

根据各像素的原始标签信息及各像素的第一标签信息可以确定神经网络的生成损失，进而可以根据该生成损失调整特征提取模块、动态滤波生成模块、及融合模块的网络参数，直至神经网络的生成损失满足训练要求，例如：生成损失小于损失阈值，该损失阈值为预先设置的数值。

这样，本公开实施例提供的图像处理方法训练得到的神经网络，通过动态滤波器生成模块根据待处理图像动态的生成适应不同图像尺度的滤波器，该滤波器的权重是根据该待处理图像动态生成的，适应性更好，进而构造的待处理图像在多个图像尺度上的特征表达更为准确。

图3示出本公开实施例中用于图像处理的神经网络的结构示意图，为使本领域技术人员更好的理解本公开实施例，以下通过图3所示示例对本公开实施例加以说明。

参照图3，本公开实施例用于图像处理的神经网络包括特征提取模块302及多个动态卷积模块303、及融合模块306。

待处理图像301通过特征提取302进行图像特征提取后，得到待处理图像301的第一图像特征304。将第一图像特征304分别输入多个动态卷积模块303中，以构造待处理图像301在不同图像尺度的特征表达305。其中，多个动态卷积模块303包括：构造不同图像尺度特征表达的动态卷积模块1、动态卷积模块2、……、动态卷积模块m。

对于任一动态卷积模块来说，其包括一个动态滤波器生成模块，用于生成指定卷积核大小的滤波器(例如：动态卷积模块1的动态滤波生成模块用于生成卷积核大小为1×1的滤波器、动态卷积模块2的动态滤波生成模块用于生成卷积核大小为3×3的滤波器、……、动态卷积模块m的动态滤波生成模块用于生成卷积核大小为k×k的滤波器)。

以动态卷积模块m来说，在得到第一图像特征后，可以通过池化模块3031对第一图像特征进行池化处理，以获得第一图像特征k×k区域的上下文信息，将上下文信息与1×1的卷积核进行卷积处理后，得到卷积核大小为k×k的滤波器3033。同时，对第一图像特征进行1×1的卷积处理后，通过降维模块3032对卷积处理后的第一图像特征进行降维处理，将降维处理后的第一图像特征与卷积核大小为k×k的滤波器2033进行深度卷积处理后，得到第三图像特征，并对第三图像特征执行一次1×1的卷积处理，得到待处理图像在特定图像尺度上的特征表达：第二图像特征305。

动态卷积模块1、动态卷积模块2等动态卷积模块的操作与动态卷积模块m类似，本公开实施例在此不再赘述。

将各动态卷积模块生成的第二图像特征305与第一图像特征304输入融合模块306中，融合模块306对第二图像特征305与第一图像特征304进行整合，并对整合后的图像特征进行卷积处理，得到待处理图像中各个像素的标签信息307。

本公开实施例可以通过不同的动态卷积模块生成具有不同卷积核大小的滤波器，以捕获多图像尺度内容和多图像尺度特征表达，进而提高确定的待处理图像中各像素的标签信息的准确性。

可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。

此外，本公开还提供了图像处理装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种图像处理方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。

图4示出根据本公开实施例的图像处理装置的框图，如图4所示，所述图像处理装置包括：

获取模块401，可以用于获取待处理图像的第一图像特征；

生成模块402，可以用于根据所述第一图像特征及一个或多个预设滤波核分别生成一个或多个滤波器；

处理模块403，可以用于根据所述第一图像特征及所述一个或多个滤波器，得到所述待处理图像的一个或多个第二图像特征；

确定模块404，可以用于根据所述一个或多个第二图像特征，确定所述待处理图像中各像素的标签信息。

这样，获取待处理图像的第一图像特征后，可以根据该第一图像特征及一个或多个预设滤波核分别生成一个或多个不同卷积核大小的滤波器，并根据一个或多个滤波器及第一图像特征，得到待处理图像的一个或多个第二图像特征，以构造待处理图像在多个图像尺度上的特征表达，进而根据一个或多个第二图像特征，确定待处理图像中各像素的标签信息。本公开实施例公开的图像处理装置可以根据待处理图像动态的生成适应不同图像尺度的滤波器，该滤波器的权重是根据该待处理图像动态生成的，适应性更好，进而构造的待处理图像在多个图像尺度上的特征表达更为准确，进而使得确定的待处理图像中各像素的标签信息准确性更高。

在一种可能的实现方式中，不同的预设滤波核对应不同的图像尺度。

在一种可能的实现方式中，所述生成模块，还用于：

根据所述一个或多个预设滤波核分别对所述第一图像特征进行池化处理，得到一个或多个上下文信息；

对所述一个或多个上下文信息分别进行卷积处理，得到所述一个或多个滤波器。

在一种可能的实现方式中，所述处理模块，还用于：

对卷积处理后的所述第一图像特征进行降维处理，得到降维后的第一图像特征；

将所述降维后的第一图像特征与所述一个或多个滤波器分别进行深度卷积处理，得到一个或多个第三图像特征；

对所述一个或多个第三图像特征分别进行卷积处理，得到所述待处理图像的一个或多个第二图像特征。

在一种可能的实现方式中，所述确定模块，还用于：

根据述第一图像特征及所述一个或多个第二图像特征，确定所述待处理图像中各像素的标签信息。

在一种可能的实现方式中，所述确定模块，还用于：

将所述一个或多个第二图像特征与所述第一图像特征进行整合，得到整合后的图像特征；

对整合后的图像特征进行卷积处理，得到所述待处理图像中各像素的标签信息。

在一种可能的实现方式中，针对上下文信息、和/或第一图像特征、和/或第三图像特征的卷积处理为通过1×1的卷积核对上下文信息、和/或第一图像特征、和/或第三图像特征进行卷积处理。

在一种可能的实现方式中，所述装置包括神经网络训练模块，

所述神经网络训练模块，用于：

根据预设的训练集训练所述神经网络，所述训练集包括：至少一个样本图像及所述样本图像中各像素的原始标签信息。

在一种可能的实现方式中，所述神经网络包括特征提取模块、至少一个动态滤波器生成模块以及融合模块，所述神经网络训练模块，用于：

将至少一个样本图像输入至特征提取模块，得到第一图像特征；

将所述第一图像特征输入至所述至少一个动态滤波器生成模块，得到一个或多个滤波器，并分别根据所述一个或多个所述滤波器及所述第一图像特征，得到所述样本图像的一个或多个第二图像特征；

将所述一个或多个第二图像特征输入至所述融合模块，确定所述样本图像中各像素的第一标签信息；

根据所述样本图像中各像素的原始标签信息及各像素的第一标签信息，确定所述神经网络的生成损失；

根据所述生成损失，训练所述神经网络。

在一种可能的实现方式中，所述动态滤波器生成模块包括：池化模块和卷积模块；

所述神经网络训练模块，还用于：

所述池化模块根据预设滤波核对所述第一图像特征进行池化处理，得到上下文信息；

所述卷积模块对所述上下文信息进行卷积处理，得到滤波器。

在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。

本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。

本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。

本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的图片搜索方法的指令。

本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的图片搜索方法的操作。

电子设备可以被提供为终端、服务器或其它形态的设备。

图5示出根据本公开实施例的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。

参照图5，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。

图6示出根据本公开实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图6，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。

电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。

本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分，所述模块、程序段或指令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。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，两个连续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动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。

该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (22)

1.一种图像处理方法，其特征在于，包括：

获取待处理图像的第一图像特征；

根据所述第一图像特征及一个或多个预设滤波核分别生成一个或多个滤波器，所述滤波器的权重根据所述第一图像特征生成；

根据所述第一图像特征及所述一个或多个滤波器，得到所述待处理图像的一个或多个第二图像特征；

根据所述一个或多个第二图像特征，确定所述待处理图像中各像素的标签信息。

2.根据权利要求1所述的方法，其特征在于，不同的预设滤波核对应不同的图像尺度。

3.根据权利要求1或2所述的方法，其特征在于，所述根据所述第一图像特征及一个或多个预设滤波核分别生成一个或多个滤波器，包括：

根据所述一个或多个预设滤波核分别对所述第一图像特征进行池化处理，得到一个或多个上下文信息；

对所述一个或多个上下文信息分别进行卷积处理，得到所述一个或多个滤波器。

4.根据权利要求1或2所述的方法，其特征在于，所述根据所述第一图像特征及所述一个或多个滤波器，得到所述待处理图像的一个或多个第二图像特征，包括：

对卷积处理后的所述第一图像特征进行降维处理，得到降维后的第一图像特征；

将所述降维后的第一图像特征与所述一个或多个滤波器分别进行深度卷积处理，得到一个或多个第三图像特征；

对所述一个或多个第三图像特征分别进行卷积处理，得到所述待处理图像的一个或多个第二图像特征。

5.根据权利要求1或2所述的方法，其特征在于，所述根据所述一个或多个第二图像特征，确定所述待处理图像中各像素的标签信息，包括：

根据所述第一图像特征及所述一个或多个第二图像特征，确定所述待处理图像中各像素的标签信息。

6.根据权利要求5所述的方法，其特征在于，所述根据所述第一图像特征及所述一个或多个第二图像特征，确定所述待处理图像中各像素的标签信息，包括：

将所述一个或多个第二图像特征与所述第一图像特征进行整合，得到整合后的图像特征；

对整合后的图像特征进行卷积处理，得到所述待处理图像中各像素的标签信息。

7.根据权利要求1或2所述的方法，其特征在于，针对上下文信息、和/或第一图像特征、和/或第三图像特征的卷积处理为通过1×1的卷积核对上下文信息、和/或第一图像特征、和/或第三图像特征进行卷积处理。

8.根据权利要求1或2所述的方法，其特征在于，所述方法通过神经网络实现，所述方法还包括：根据预设的训练集训练所述神经网络，所述训练集包括：至少一个样本图像及所述样本图像中各像素的原始标签信息。

9.根据权利要求8所述的方法，其特征在于，所述神经网络包括特征提取模块、至少一个动态滤波器生成模块以及融合模块，所述根据预设的训练集训练所述神经网络包括：

将至少一个样本图像输入至特征提取模块，得到第一图像特征；

将所述第一图像特征输入至所述至少一个动态滤波器生成模块，得到一个或多个滤波器，并分别根据所述一个或多个所述滤波器及所述第一图像特征，得到所述样本图像的一个或多个第二图像特征；

将所述一个或多个第二图像特征输入至所述融合模块，确定所述样本图像中各像素的第一标签信息；

根据所述样本图像中各像素的原始标签信息及各像素的第一标签信息，确定所述神经网络的生成损失；

根据所述生成损失，训练所述神经网络。

10.根据权利要求9所述的方法，其特征在于，所述动态滤波器生成模块包括：池化模块和卷积模块；

所述将所述第一图像特征输入至所述至少一个动态滤波器生成模块，得到一个或多个滤波器，包括：

所述池化模块根据预设滤波核对所述第一图像特征进行池化处理，得到上下文信息；

所述卷积模块对所述上下文信息进行卷积处理，得到滤波器。

11.一种图像处理装置，其特征在于，包括：

获取模块，用于获取待处理图像的第一图像特征；

生成模块，用于根据所述第一图像特征及一个或多个预设滤波核分别生成一个或多个滤波器，所述滤波器的权重根据所述第一图像特征生成；

处理模块，用于根据所述第一图像特征及所述一个或多个滤波器，得到所述待处理图像的一个或多个第二图像特征；

确定模块，用于根据所述一个或多个第二图像特征，确定所述待处理图像中各像素的标签信息。

12.根据权利要求11所述的装置，其特征在于，不同的预设滤波核对应不同的图像尺度。

13.根据权利要求11或12所述的装置，其特征在于，所述生成模块，还用于：

根据所述一个或多个预设滤波核分别对所述第一图像特征进行池化处理，得到一个或多个上下文信息；

对所述一个或多个上下文信息分别进行卷积处理，得到所述一个或多个滤波器。

14.根据权利要求11或12所述的装置，其特征在于，所述处理模块，还用于：

对卷积处理后的所述第一图像特征进行降维处理，得到降维后的第一图像特征；

将所述降维后的第一图像特征与所述一个或多个滤波器分别进行深度卷积处理，得到一个或多个第三图像特征；

对所述一个或多个第三图像特征分别进行卷积处理，得到所述待处理图像的一个或多个第二图像特征。

15.根据权利要求11或12所述的装置，其特征在于，所述确定模块，还用于：

根据所述第一图像特征及所述一个或多个第二图像特征，确定所述待处理图像中各像素的标签信息。

16.根据权利要求15所述的装置，其特征在于，所述确定模块，还用于：

将所述一个或多个第二图像特征与所述第一图像特征进行整合，得到整合后的图像特征；

对整合后的图像特征进行卷积处理，得到所述待处理图像中各像素的标签信息。

17.根据权利要求11或12所述的装置，其特征在于，针对上下文信息、和/或第一图像特征、和/或第三图像特征的卷积处理为通过1×1的卷积核对上下文信息、和/或第一图像特征、和/或第三图像特征进行卷积处理。

18.根据权利要求11或12所述的装置，其特征在于，所述装置包括神经网络训练模块，

所述神经网络训练模块，用于：

根据预设的训练集训练所述神经网络，所述训练集包括：至少一个样本图像及所述样本图像中各像素的原始标签信息。

19.根据权利要求18所述的装置，其特征在于，所述神经网络包括特征提取模块、至少一个动态滤波器生成模块以及融合模块，所述神经网络训练模块，用于：

将至少一个样本图像输入至特征提取模块，得到第一图像特征；

将所述第一图像特征输入至所述至少一个动态滤波器生成模块，得到一个或多个滤波器，并分别根据所述一个或多个所述滤波器及所述第一图像特征，得到所述样本图像的一个或多个第二图像特征；

将所述一个或多个第二图像特征输入至所述融合模块，确定所述样本图像中各像素的第一标签信息；

根据所述样本图像中各像素的原始标签信息及各像素的第一标签信息，确定所述神经网络的生成损失；

根据所述生成损失，训练所述神经网络。

20.根据权利要求19所述的装置，其特征在于，所述动态滤波器生成模块包括：池化模块和卷积模块；

所述神经网络训练模块，还用于：

所述池化模块根据预设滤波核对所述第一图像特征进行池化处理，得到上下文信息；

所述卷积模块对所述上下文信息进行卷积处理，得到滤波器。

21.一种电子设备，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至10中任意一项所述的方法。

22.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至10中任意一项所述的方法。

Images