CN111860518B - 用于分割图像的方法、装置、设备和计算机可读介质 - Google Patents

Abstract

本公开的实施例公开了用于分割图像的方法、装置、设备和计算机可读介质。该方法的一具体实施方式包括：将输入图像输入预先训练的通用子网络，得到通用特征；将输入图像输入预先训练的特定任务子网络，得到特定任务特征；基于注意力机制网络，将该通用特征添加到该特定任务特征上，得到目标任务特征；对该特定任务特征进行解码操作，得到融合特征；利用渐进网络对该目标任务特征和该融合特征进行集成，得到该输入图像的分割图。该实施方式实现了基于特定任务特征对图像进行分割。

Description

用于分割图像的方法、装置、设备和计算机可读介质

技术领域

本公开的实施例涉及计算机技术领域，具体涉及用于分割图像的方法、装置、设备和计算机可读介质。

背景技术

显著物体分割是计算机视觉的重要基础问题，对物体识别、目标跟踪以及图像解析等任务具有重要意义。

已有的显著物体分割方法有很多。传统的方法主要考虑利用全局和局部的视觉特征对比来突出显著物体。基于深度学习的方法主要利用深度神经网络提取特征并利用神经网络进行特征映射和解析从而分割出显著对象。目前基于深度学习的图像显著物体显著对象分割方法很多而且性能优越。目前的方法都是在研究常规图像的显著物体分割，还没有方法研究特定任务的图像显著物体分割。由于特定任务图像中存在着众多困难的问题，导致显著物体分割很难进行，其中最重要的问题就是缺少任务相关知识，严重影响方法预测。

发明内容

本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开的一些实施例提出了用于分割图像的方法、装置、设备和计算机可读介质，来解决以上背景技术部分提到的技术问题。

第一方面，本公开的一些实施例提供了一种用于分割图像的方法，该方法包括：将输入图像输入预先训练的通用子网络，得到通用特征；将输入图像输入预先训练的特定任务子网络，得到特定任务特征；基于注意力机制网络，将上述通用特征添加到上述特定任务特征上，得到目标任务特征；对上述特定任务特征进行解码操作，得到融合特征；利用渐进网络对上述目标任务特征和上述融合特征进行集成，得到上述输入图像中的显著物体的分割图。

第二方面，本公开的一些实施例提供了一种用于分割图像的装置，装置包括：第一生成模块，被配置成将输入图像输入预先训练的通用子网络，得到通用特征，其中，上述通用子网络是利用常规数据集训练完成的；第二生成模块，被配置成将输入图像输入预先训练的特定任务子网络，得到特定任务特征，其中，上述特定任务子网络包括至少一个编码阶段；添加模块，被配置成基于注意力机制网络，将上述通用特征添加到上述特定任务特征上，得到目标任务特征；解码模块，被配置成对上述特定任务特征进行解码操作，得到融合特征；集成模块，被配置成利用渐进网络对上述目标任务特征和上述融合特征进行集成，得到上述输入图像中的显著物体的分割图。

第三方面，本公开的一些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，其上存储有一个或多个程序，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第一方面中任一的方法。

第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面中任一的方法。

本公开的上述各个实施例中的一个实施例具有如下有益效果：首先，将输入图像输入预先训练的通用子网络，得到通用特征；其次，将输入图像输入预先训练的特定任务子网络，得到特定任务特征；然后，基于注意力机制网络，将上述通用特征添加到上述特定任务特征上，得到目标任务特征；之后，对上述特定任务特征进行解码操作，得到融合特征；最后，利用渐进网络对上述目标任务特征和上述融合特征进行集成，得到上述输入图像中的显著物体的分割图。该实施方式提出了基于特定任务特征对图像进行分割。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。

图1是根据本公开的用于分割图像的方法的一些实施例的流程图；

图2是根据本公开的用于分割图像的装置的一些实施例的结构示意图；

图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

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。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

下面将参考附图并结合实施例来详细说明本公开。

继续参考图1，示出了根据本公开的用于分割图像的方法的一些实施例的流程100。该用于分割图像的方法，包括以下步骤：

步骤101，将输入图像输入预先训练的通用子网络，得到通用特征。

在一些实施例中，用于分割图像的方法的执行主体可以将输入图像输入预先训练的通用子网络，得到通用特征。其中，上述通用子网络是利用常规数据集训练完成的。上述常规数据集可以是DUTS-TR数据集。上述输入图像可以是本地的图片，也可以是从网络上下载的图片。上述通用子网络可以是一个深度卷积神经网络。上述通用特征可以是128维的向量。

作为示例，上述通用子网络可以是基于ResNet-50模型，移除ResNet-50最后一个全局池化层和全连接层得到的。上述通用子网络可以是有五个残差编码阶段，表示为

其中，

表示为对应的参数。为了获得更大的特征图，将最后一个残差阶段

所有卷积层的步张长设置为1。为了进一步扩大高层特征的感受野，分别将ε₄和ε₅中的卷积层的扩张率设置为2和4。对于H×W的输入图像，特征提取器输出

的特征图。其中，H表示上述输入图像的长度，W表示上述输入图像的宽度。

步骤102，将输入图像输入预先训练的特定任务子网络，得到特定任务特征。

在一些实施例中，上述执行主体可以将输入图像输入预先训练的特定任务子网络，得到特定任务特征。其中，上述特定任务子网络是利用常规数据集训练完成的。上述常规数据集可以是DUTS-TR数据集。上述特定任务子网络可以是一个深度卷积神经网络。上述特定任务特征可以是128维的向量。

作为示例，上述特定任务子网络可以是基于ResNet-50模型，移除ResNet-50最后一个全局池化层和全连接层得到的。上述特定任务子网络可以是有五个残差编码阶段，表示为

其中，

表示为对应的参数。

步骤103，基于注意力机制网络，将上述通用特征添加到上述特定任务特征上，得到目标任务特征。

在一些实施例中，上述执行主体可以基于注意力机制网络，将上述通用特征添加到上述特定任务特征上，得到目标任务特征。上述目标任务特征可以是一个128维的向量。

在一些实施例的一些可选的实现方式中，基于上述通用特征，生成通用注意力图；上述通用注意力图可以是一个128维的向量。基于上述通用注意力图和残差模块，得到跨域特征差异；将上述跨域特征差异添加到上述特定任务特征上，得到目标任务特征。作为示例，使用上述残差模块来学习从通用域到任务域的跨域特征差异，并且将学习得到的跨域特征差异添加到特定任务子网络产生的特定任务特征F_S。将跨域特征差异添加到

中共同作为

的输入。上述目标任务特征可以表示为

其中，

表示为对应的参数。

作为示例，上述通用注意力图是根据以下公式确定的：

其中，

表示通用注意力图；

表示空间上的逻辑回归(Softmax)操作；

表示通道上的逻辑回归操作；GAP表示全局平均池化操作；

表示矩阵相乘；

表示通用特征。

步骤104，对上述特定任务特征进行解码操作，得到融合特征。

在一些实施例中，上述执行主体可以对上述特定任务特征进行解码操作，得到融合特征。

在一些实施例的一些可选的实现方式中，上述对上述特定任务特征进行解码操作，得到融合特征，包括：将上述特定任务特征通过第一目标卷积层，得到第一卷积特征；上述第一目标卷积层可以是两层128个3×3核的卷积层和两层128个1×1核的卷积层。其中，将通道设置为1。基于上述输入图像的图像信息对上述第一卷积特征进行采样，得到边界分支特征；上述边界分支特征的分辨率与上述输入图像的分辨率大小相同。将上述特定任务特征通过第二目标卷积层，得到第二卷积特征；上述第二目标卷积层可以是两层128个1×1核的卷积层。其中，将通道设置为1。基于转置卷积对上述第二卷积特征进行采样，得到内部分支特征和过渡分支特征；其中，内部分支特征与过渡分支特征具有相同的结构。基于上述边界分支特征、过渡分支特征和上述内部分支特征，得到融合特征。

在一些实施例的一些可选的实现方式中，上述融合特征是根据以下公式确定的：

其中，

表示融合特征；

表示矩阵相乘；

表示边界分支特征；

表示内部置信图；

表示边界置信图；

表示过渡分支特征；

表示内部分支特征。

作为示例，上述边界置信图是根据以下公式确定的：

其中，

表示边界置信图；

表示边界分支特征。

作为示例，上述内部置信图是根据以下公式确定的：

其中，

表示内部置信图；

表示过渡分支特征。

步骤105，利用渐进网络对上述目标任务特征和上述融合特征进行集成，得到上述输入图像中的显著物体的分割图。

在一些实施例中，上述执行主体可以利用渐进网络对上述目标任务特征和上述融合特征进行集成，得到上述输入图像的分割图。其中，上述渐进网络可以是一个损失函数。作为示例，渐进网络可以表示为

其中，

表示参数的集合

G₀表示显著物体的真实掩码；G_B表示显著物体的边界的真实掩码；

表示显著物体的内部的真实掩码；BCE表示交叉熵损失函数；

表示边界置信图的索引；

表示过渡置信图的索引；

表示显著物体分割结果的索引。

作为示例，上述显著物体分割结果是根据以下公式确定的：

其中，

表示融合特征；M₀表示显著物体分割结果。

作为示例，上述渐进网络可以通过标准随机梯度下降算法来训练得到。训练分为两个阶段：首先，第一阶段为训练通用子网络。参数由预训练的ResNet-50模型初始化，其学习速率设置为1×10^-3，权重衰减设置为0.0005，动量设置为0.9。其余层的学习率设置为基本学习率的10倍。通过利用DUTS-TR数据集的训练集来训练子网络，以学习通用特征。上述DUTS-TR由10,553张图像组成。训练图像被调整到512×256的分辨率，并应用水平翻转。在单个NVIDA GTX 1080Ti GPU上，训练过程需要5万次迭代，其批量的大小为4；其次，第二阶段为将通用子网络固定，以与通用子网络相同的设置来训练整个网络的其余部分(包括AKT和特定任务子网络)。使用CitySaliency的训练集来训练网络。训练过程需要20万次迭代。在预测过程中，移除网络的所有损失，将图像输入网络，在特定任务子网络的第一阶段的侧输出处获得显著物体检测结果。模型的预测被上采样到2048×1024的分辨率以供评测。

在一些实施例的一些可选的实现方式中，上述输入图像中的显著物体的分割图是通过以下步骤得到的：响应于上述输入图像基于上述特定任务子网络得到多个分割图，将第一解码分割图作为上述输入图像中的显著物体的分割图。作为示例，上述特定任务子网络包括5个残差编码阶段，那么对应就有5个解码阶段，执行主体可以将第一个解码阶段得到的显著物体的分割图作为上述第一解码分割图。

本公开的一些实施例公开的用于分割图像的方法，首先，将输入图像输入预先训练的通用子网络，得到通用特征；其次，将输入图像输入预先训练的特定任务子网络，得到特定任务特征；然后，基于注意力机制网络，将上述通用特征添加到上述特定任务特征上，得到目标任务特征；之后，对上述特定任务特征进行解码操作，得到融合特征；最后，利用渐进网络对上述目标任务特征和上述融合特征进行集成，得到上述输入图像中的显著物体的分割图。该实施方式实现了基于特定任务特征对图像进行分割。

进一步参考图2，作为对上述各图所示方法的实现，本公开提供了一种用于分割图像的装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图2所示，一些实施例的用于分割图像的装置200包括：第一生成模块201、第二生成模块202、添加模块203、解码模块204和集成模块。其中，第一生成模块201，被配置成将输入图像输入预先训练的通用子网络，得到通用特征，其中，上述通用子网络是利用常规数据集训练完成的；第二生成模块202，被配置成将输入图像输入预先训练的特定任务子网络，得到特定任务特征，其中，上述特定任务子网络包括至少一个编码阶段；添加模块203，被配置成基于注意力机制网络，将上述通用特征添加到上述特定任务特征上，得到目标任务特征；解码模块204，被配置成对上述特定任务特征进行解码操作，得到融合特征；集成模块205，被配置成利用渐进网络对上述目标任务特征和上述融合特征进行集成，得到上述输入图像中的显著物体的分割图。

在一些实施例的可选实现方式中，用于分割图像的装置200的添加模块203被进一步配置成：基于上述通用特征，生成通用注意力图；基于上述通用注意力图和残差模块，得到跨域特征差异；将上述跨域特征差异添加到上述特定任务特征上，得到目标任务特征。

在一些实施例的可选实现方式中，上述通用注意力图是根据以下公式确定的：

其中，

表示通用注意力图；

表示空间上的逻辑回归操作；

表示通道上的逻辑回归操作；GAP表示全局平均池化操作；

表示矩阵相乘；

表示通用特征。

在一些实施例的可选实现方式中，用于分割图像的装置200的解码模块204被进一步配置成：将上述特定任务特征通过第一目标卷积层，得到第一卷积特征；基于上述输入图像的图像信息对上述第一卷积特征进行采样，得到边界分支特征；将上述特定任务特征通过第二目标卷积层，得到第二卷积特征；基于转置卷积对上述第二卷积特征进行采样，得到内部分支特征和过渡分支特征；基于上述边界分支特征、过渡分支特征和上述内部分支特征，得到融合特征。

在一些实施例的可选实现方式中，上述融合特征是根据以下公式确定的：

其中，

表示融合特征；

表示矩阵相乘；

表示边界分支特征；

表示内部置信图；

表示边界置信图；

表示过渡分支特征；

表示内部分支特征。

在一些实施例的可选实现方式中，上述输入图像中的显著物体的分割图是通过以下步骤得到的：响应于上述输入图像基于上述特定任务子网络得到多个分割图，将第一解码分割图作为上述输入图像中的显著物体的分割图。

可以理解的是，该装置200中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置200及其中包含的单元，在此不再赘述。

下面参考图3，其示出了适于用来实现本公开的一些实施例的电子设备300的结构示意图。本公开的一些实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图3示出的终端设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图3所示，电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301，其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。

通常，以下装置可以连接至I/O接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307；包括例如存储卡等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的一些实施例，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，本公开的一些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。在这样的一些实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM 302被安装。在该计算机程序被处理装置301执行时，执行本公开的一些实施例的方法中限定的上述功能。

需要说明的是，本公开的一些实施例上述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。

在本公开的一些实施例中，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。而在本公开的一些实施例中，计算机可读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，该计算机可读信号介质可以发送、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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。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电子设备执行时，使得该电子设备：将输入图像输入预先训练的通用子网络，得到通用特征，其中，上述通用子网络是利用常规数据集训练完成的；将输入图像输入预先训练的特定任务子网络，得到特定任务特征，其中，上述特定任务子网络包括至少一个编码阶段；基于注意力机制网络，将上述通用特征添加到上述特定任务特征上，得到目标任务特征；对上述特定任务特征进行解码操作，得到融合特征；利用渐进网络对上述目标任务特征和上述融合特征进行集成，得到上述输入图像的分割图。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码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)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、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。

描述于本公开的一些实施例中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：一种处理器包括第一生成模块、第二生成模块、添加模块、解码模块和集成模块。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，第一生成模块还可以被描述为“将输入图像输入预先训练的通用子网络，得到通用特征的单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

以上描述仅为本公开的一些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，本公开的实施例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。例如上述特征与本公开的实施例中公开的(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 (7)

1.一种用于分割图像的方法，包括：

将输入图像输入预先训练的通用子网络，得到通用特征，其中，所述通用子网络是利用常规数据集训练完成的；

将输入图像输入预先训练的特定任务子网络，得到特定任务特征，其中，所述特定任务子网络包括至少一个编码阶段；

基于注意力机制网络，将所述通用特征添加到所述特定任务特征上，得到目标任务特征；

对所述特定任务特征进行解码操作，得到融合特征；

利用渐进网络对所述目标任务特征和所述融合特征进行集成，得到所述输入图像中的显著物体的分割图；

其中，所述基于注意力机制网络，将所述通用特征添加到所述特定任务特征上，得到目标任务特征，包括：

基于所述通用特征，生成通用注意力图；

基于所述通用注意力图和残差模块，得到跨域特征差异；

将所述跨域特征差异添加到所述特定任务特征上，得到目标任务特征；

其中，所述对所述特定任务特征进行解码操作，得到融合特征，包括：

将所述特定任务特征通过第一目标卷积层，得到第一卷积特征；

基于所述输入图像的图像信息对所述第一卷积特征进行采样，得到边界分支特征；

将所述特定任务特征通过第二目标卷积层，得到第二卷积特征；

基于转置卷积对所述第二卷积特征进行采样，得到内部分支特征和过渡分支特征；

基于所述边界分支特征、过渡分支特征和所述内部分支特征，得到融合特征。

2.根据权利要求1所述的方法，其中，所述通用注意力图是根据以下公式确定的：

其中，

表示通用注意力图；

ζ_s表示空间上的逻辑回归操作；

ζ_c表示通道上的逻辑回归操作；

GAP表示全局平均池化操作；

表示矩阵相乘；

表示通用特征。

3.根据权利要求2所述的方法，其中，所述融合特征是根据以下公式确定的：

其中，

表示融合特征；

表示矩阵相乘；

表示边界分支特征；

表示内部置信图；

表示边界置信图；

表示过渡分支特征；

表示内部分支特征。

4.根据权利要求1所述的方法，其中，所述输入图像中的显著物体的分割图是通过以下步骤得到的：

响应于所述输入图像基于所述特定任务子网络得到多个分割图，将第一解码分割图作为所述输入图像中的显著物体的分割图。

5.一种用于分割图像的装置，包括：

第一生成模块，被配置成将输入图像输入预先训练的通用子网络，得到通用特征，其中，所述通用子网络是利用常规数据集训练完成的；

第二生成模块，被配置成将输入图像输入预先训练的特定任务子网络，得到特定任务特征，其中，所述特定任务子网络包括至少一个编码阶段；

添加模块，被配置成基于注意力机制网络，将所述通用特征添加到所述特定任务特征上，得到目标任务特征；

解码模块，被配置成对所述特定任务特征进行解码操作，得到融合特征；

集成模块，被配置成利用渐进网络对所述目标任务特征和所述融合特征进行集成，得到所述输入图像中的显著物体的分割图；

其中，所述添加模块，被配置成：

基于所述通用特征，生成通用注意力图；

基于所述通用注意力图和残差模块，得到跨域特征差异；

将所述跨域特征差异添加到所述特定任务特征上，得到目标任务特征；

其中，所述解码模块，被配置成：

将所述特定任务特征通过第一目标卷积层，得到第一卷积特征；

基于所述输入图像的图像信息对所述第一卷积特征进行采样，得到边界分支特征；

将所述特定任务特征通过第二目标卷积层，得到第二卷积特征；

基于转置卷积对所述第二卷积特征进行采样，得到内部分支特征和过渡分支特征；

基于所述边界分支特征、过渡分支特征和所述内部分支特征，得到融合特征。

6.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

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1-4中任一所述的方法。

7.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-4中任一所述的方法。

Images