CN113570610A - 采用语义分割模型对视频进行目标分割的方法、装置 - Google Patents

采用语义分割模型对视频进行目标分割的方法、装置 Download PDF

Info

Publication number
CN113570610A
CN113570610A CN202110847159.7A CN202110847159A CN113570610A CN 113570610 A CN113570610 A CN 113570610A CN 202110847159 A CN202110847159 A CN 202110847159A CN 113570610 A CN113570610 A CN 113570610A
Authority
CN
China
Prior art keywords
sequence
feature
network
segmentation
fusion
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.)
Granted
Application number
CN202110847159.7A
Other languages
English (en)
Other versions
CN113570610B (zh
Inventor
张健
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202110847159.7A priority Critical patent/CN113570610B/zh
Publication of CN113570610A publication Critical patent/CN113570610A/zh
Application granted granted Critical
Publication of CN113570610B publication Critical patent/CN113570610B/zh
Priority to US17/872,304 priority patent/US20220375187A1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/94—Hardware or software architectures specially adapted for image or video understanding
    • G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供了一种采用语义分割模型对视频进行目标分割的方法、装置、设备和介质。涉及人工智能领域，具体涉及计算机视觉和深度学习技术，可用于智慧城市和智能云场景下。语义分割模型包括第一特征提取网络、第二特征提取网络、时间编码网络、特征融合网络和分割网络。方法包括：将当前视频帧和在前视频帧依次输入第一特征提取网络，得到特征图序列；将在前视频帧的目标分割信息依次输入第二特征提取网络，得到分割特征序列；将当前视频帧和在前视频帧依次输入时间编码网络，得到时间特征序列；基于特征图序列、分割特征序列和时间特征序列，采用特征融合网络获得融合特征序列；以及将融合特征序列输入分割网络，获得当前视频帧的目标分割信息。

Description

采用语义分割模型对视频进行目标分割的方法、装置
技术领域
本公开涉及人工智能技术领域，具体涉及计算机视觉和深度学习技术领域，具体可用于智慧城市和智能云场景下。
背景技术
随着计算机技术和网络技术的发展，计算机视觉得到广泛应用。例如，采用计算机视觉技术，可以用于对目标进行检测、分类和分割。通过该计算机视觉技术对视频进行目标分割，可以实现在智慧城市场景下目标对象的追踪等。
发明内容
本公开提供了提高目标分割精度的采用语义分割模型对视频进行目标分割的方法、装置、设备和存储介质。
根据本公开的一个方面，提供了一种采用语义分割模型对视频进行目标分割的方法，其中，语义分割模型包括第一特征提取网络、第二特征提取网络、时间编码网络、特征融合网络和分割网络；该方法包括：将当前视频帧和在前视频帧依次输入第一特征提取网络，得到特征图序列；将在前视频帧的目标分割信息依次输入第二特征提取网络，得到分割特征序列；将当前视频帧和在前视频帧依次输入时间编码网络，得到时间特征序列；基于特征图序列、分割特征序列和时间特征序列，采用特征融合网络获得融合特征序列；以及将融合特征序列输入分割网络，获得当前视频帧的目标分割信息。
根据本公开的另一方面，提供了一种采用语义分割模型对视频进行目标分割的装置，语义分割模型包括第一特征提取网络、第二特征提取网络、时间编码网络、特征融合网络和分割网络；该装置包括：特征图获得模块，用于将当前视频帧和在前视频帧依次输入第一特征提取网络，得到特征图序列；分割特征获得模块，用于将在前视频帧的目标分割信息依次输入第二特征提取网络，得到分割特征序列；时间特征获得模块，用于将当前视频帧和在前视频帧依次输入时间编码网络，得到时间特征序列；融合特征获得模块，用于基于特征图序列、分割特征序列和时间特征序列，采用特征融合网络获得融合特征序列；以及目标分割模块，用于将融合特征序列输入分割网络，获得当前视频帧的目标分割信息。
根据本公开的另一个方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本公开提供的采用语义分割模型对视频进行目标分割的方法。
根据本公开的另一个方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行本公开提供的采用语义分割模型对视频进行目标分割的方法。
根据本公开的另一个方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本公开提供的采用语义分割模型对视频进行目标分割的方法。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开实施例的采用语义分割模型对视频进行目标分割的方法、装置的应用场景示意图；
图2是根据本公开实施例的采用语义分割模型对视频进行目标分割的方法的流程示意图；
图3是根据本公开实施例的采用语义分割模型对视频进行目标分割的方法的原理示意图；
图4是根据本公开实施例的获得当前视频帧的目标分割信息的原理示意图；
图5是根据本公开实施例的采用特征融合网络获得融合特征序列的原理示意图；
图6是根据本公开实施例的采用语义分割模型对视频进行目标分割的装置的结构框图；以及
图7是用来实施本公开实施例的采用语义分割模型对视频进行目标分割的方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
本公开提供了一种采用语义分割模型对视频进行目标分割的方法，包括特征图获得阶段、分割特征获得阶段、时间特征获得阶段、融合特征获得阶段和目标分割阶段。其中，语义分割模型包括第一特征提取网络、第二特征提取网络、时间编码网络、特征融合网络和分割网络。在特征图获得阶段中，将当前视频帧和在前视频帧依次输入第一特征提取网络，得到特征图序列。在分割特征获得阶段中，将在前视频帧的目标分割信息依次输入第二特征提取网络，得到分割特征序列。在时间特征获得阶段中，将当前视频帧和在前视频帧依次输入时间编码网络，得到时间特征序列。在融合特征获得阶段中，基于特征图序列、分割特征序列和时间特征序列，采用特征融合网络获得融合特征序列。在目标分割阶段中，将融合特征序列输入分割网络，获得当前视频帧的目标分割信息。
以下将结合图1对本公开提供的方法和装置的应用场景进行描述。
图1是根据本公开实施例的采用语义分割模型对视频进行目标分割的方法和装置的应用场景示意图。可以理解的是，该图1描述的场景仅为本公开提供的方法和装置的一种应用场景，本公开提供的方法和装置还可以应用于任意需要对视频进行目标分割的场景，本公开对此不做限定。
如图1所示，该实施例的场景100包括道路110、行驶于道路上的车辆121～123及视频采集装置131～132。视频采集装置131～132设置于道路110的两侧。该视频采集装置131～132可以用于采集视线范围内的视频数据，以实现对道路上车辆的监控。该采集的视频数据例如可以用于作为事故判定或违规判定等的参考。
在一实施例中，如图1所示，该应用场景中还可以包括路侧基站140和智能云平台150。该视频采集装置131～132例如可以通过路侧基站140与智能云平台150通信连接，以将采集的视频数据上传至智能云平台150。该智能云平台150例如可以采用语义分割模型对视频采集装置采集的视频数据进行目标分割，以实现对目标的追踪等。其中，追踪的目标例如可以为违规车辆。
根据本公开的实施例，智能云平台例如可以采用时间-空间记忆(Spatio-Temporal Memory，STM)技术或基于距离图来对视频进行目标分割。其中，STM技术通过构建外部存储，对视频的历史帧数据进行存储，当对视频的当前帧图像进行目标分割时，通过构建键值(Key-Value)信息，对外部存储中的信息进行检索并重新整合，得到增强后的特征描述。最后基于该增强后的特征描述对当前帧图像进行目标分割。其中，基于距离图的技术，最初来源于针对视频目标分割的快速端到端嵌入学习模型(Fast End-to-End EmbeddingLearning for Video Object Segmentation，FEELVOS)，通过构建每一帧的目标与参考帧和历史帧对应目标的距离，生成距离图信息。基于该距离图信息和图像经由骨干(backbone)网络得到的特征图，来完成对当前帧图像的目标分割。
根据本公开的实施例，在对视频进行目标分割时，例如还可以考虑视频数据中各帧图像的时间信息，从而提高对时间维度上特征的把控力，避免预测结果不准确的历史帧对后续图像处理的影响。具体可以采用下文描述的采用语义分割模型对视频进行目标分割的方法来实现视频分割。
需要说明的是，本公开实施例所提供的采用语义分割模型对视频进行目标分割的方法可以由智能云平台执行。相应地，本公开实施例所提供的采用语义分割模型对视频进行目标分割的装置可以设置于智能云平台中。
应该理解，图1中的车辆、视频采集装置、路侧基站和智能云平台的数目和类型仅仅是示意性的。根据实现需要，可以具有任意数目和类型的车辆、视频采集装置、路侧基站和智能云平台。
以下将结合图1，通过以下图2～图5对本公开提供的采用语义分割模型对视频进行目标分割的方法进行详细描述。
图2是根据本公开实施例的采用语义分割模型对视频进行目标分割的方法的流程示意图。
如图2所示，该实施例的采用语义分割模型对视频进行目标分割的方法200可以包括操作S210～操作S250。其中，语义分割模型可以包括第一特征提取网络、第二特征提取网络、时间编码网络、特征融合网络和分割网络。
在操作S210，将当前视频帧和在前视频帧依次输入第一特征提取网络，得到特征图序列。
根据本公开的实施例，第一特征提取网络可以包括残差神经网络(ResidualNeural Network，ResNet)或者黑暗网络(DarkNet)框架等。该实施例可以基于时间顺序自前至后，或自后至前，将当前视频帧和在前视频帧依次输入第一特征提取网络，由第一特征提取网络输出每个视频帧的特征图。依次输出的特征图构成特征图序列。在一实施例中，第一特征提取网络可以由ResNet 50网络构成。
根据本公开的实施例，在前视频帧的个数可以根据实际需求设定为大于1的任意整数。例如，该在前视频帧的个数可以为5个。具体地，在一次视频分割任务中，该在前视频帧的个数可以动态设置，以此避免在前视频帧的错误分割结果对后续视频帧的分割结果的影响，避免错误的无限传递。
在操作S220，将在前视频帧的目标分割信息依次输入第二特征提取网络，得到分割特征序列。
根据本公开的实施例，第二特征提取网络与前述第一特征提取网络类似。其中，考虑到目标分割信息通常为掩膜图像，掩膜图像表达的信息较视频帧表达的信息较少，因此，该第一特征提取网络的架构相较于第一特征提取网络的架构可以设置的简单一些。例如，若第一特征提取网络由ResNet 50网络构成，则第二特征提取网络可以由ResNet 18网络构成。
在该在前视频帧为视频的起始帧时，该目标分割信息例如可以为预先标注得到的。即，该目标分割信息为起始帧的分割掩膜标签，为实际的目标分割信息。在该在前视频帧为起始帧之后的视频帧时，该目标分割信息可以为采用该实施例的采用语义分割模型对视频进行目标分割的方法得到的预测的目标分割信息。如此，该实施例的对视频进行目标分割的方法实质上为半监督方法。可以将在前视频帧的目标分割信息作为对当前视频帧进行目标分割的参考信息，便于提取出当前视频帧的特征数据，促进对视频内容的理解。
该在前视频帧例如为多个视频帧，该实施例可以基于时间顺序自前至后，或自后至前，将多个在前视频帧的目标分割信息依次输入第一特征提取网络，由第一特征提取网络输出每个视频帧的目标分割信息的分割特征。依次输出的分割特征构成分割特征序列。
在操作S230，将当前视频帧和在前视频帧依次输入时间编码网络，得到时间特征序列。
根据本公开的实施例，时间编码网络例如可以采用正弦波编码方法、学习编码方法或相对时间表达方法等对该每一视频帧的时间信息进行编码，得到一个时间编码值，通过对该时间编码值进行两个维度的复制，得到H*W个时间编码，并组成表示一个视频帧的时间特征的矩阵MH×W。其中，H和W分别为视频帧的高度和宽度。
示例性地，该操作S230可以基于时间顺序自前至后或自后至前，将当前视频帧和在前视频帧依次输入时间编码网络，时间编码网络可以基于输入的各视频帧相对于起始帧的时间信息，采用正弦波编码方法来得到各视频帧的时间特征。时间编码网络依次输出的时间特征构成时间特征序列。其中，正弦波编码方法得到的时间编码中每个元素的取值TE(t)可以采用如下公式来表示：
Figure BDA0003179454540000061
其中，t与各视频帧与起始帧之间的时间间隔，T为视频总长。
在操作S240，基于特征图序列、分割特征序列和时间特征序列，采用特征融合网络获得融合特征序列。
根据本公开的实施例，特征融合网络例如可以采用concat()函数来对特征图序列、分割特征序列和时间特征序列进行拼接。
示例性地，针对每个在前视频帧，特征融合网络可以将特征图、分割特征和时间特征依次在通道维度上拼接，得到该每个在前视频帧的特征数据。针对当前视频帧，特征融合网络可以将特征图和时间特征在通道维度上拼接，得到该当前视频帧的特征数据。随后，将在前视频帧的特征数据和当前视频帧的特征数据构成融合特征序列。
示例性地，特征融合网络还可以将在前视频帧的特征图和时间特征以帧为单位在通道维度上拼接，得到记忆特征。随后将在前视频帧的分割特征在通道维度上拼接，得到掩膜特征。最后将掩膜特征、当前视频帧的特征数据和记忆特征进行特征聚合，得到融合特征序列。
在操作S250，将融合特征序列输入所述分割网络，获得当前视频帧的目标分割信息。
根据本公开的实施例，分割网络例如可以采用传统方法中语义分割模型中的解码器结构。例如，可以采用U-Net模型、全卷积网络(Fully Convolution Networks，FCNs)或SegNet网络中的解码器结构。
该实施例可以将融合特征序列输入分割网络，由分割网络输出当前视频帧的热图，该热图中目标所在像素处的颜色与其他像素处的颜色不同，实现对目标的分割。该实施例可以将该热图作为当前视频帧的分割信息。
综上，本公开实施例在对视频进行目标分割时，通过对输入的视频帧中每个视频帧进行时间编码得到时间特征，并通过综合考虑特征图和时间特征，可以有效地挖掘视频帧中待分割目标与历史帧中目标之间在时间上的关联，从而可以提高对视频进行目标分割的准确性，便于为下游应用(例如目标追踪等)提供准确的参考信息。
图3是根据本公开实施例的采用语义分割模型对视频进行目标分割的方法的原理示意图。
根据本公开的实施例，如图3所示，该实施例300中，语义分割模型除了前文描述的第一特征提取网络301、第二特征提取网络302、时间编码网络303、特征融合网络305和分割网络306外，还可以包括位置编码网络304。其中，位置编码网络304用于对各视频帧中各像素的位置进行编码。
在该实施例中，设定在前视频帧为P帧，则在对视频中的当前视频帧(例如第i视频帧)进行目标分割时，可以将在前的P个视频帧(第(i-P)视频帧311、第(i-P+1)视频帧312、...、第(i-1)视频帧)和第i视频帧314依次同时输入第一特征提取网络301、时间编码网络303和位置编码网络304，分别获得特征图序列331、时间特征序列333和位置特征序列334。同时，将在前的P个视频帧的目标分割信息(第(i-P)分割信息321、第(i-P+1)分割信息322、...、第(i-1)分割信息323)依次输入第二特征提取网络302，获得分割特征序列332。随后，将特征图序列331、分割特征序列332、时间特征序列333和位置特征序列334输入特征融合网络305，获得在通道维度进行拼接的融合特征序列。将该融合特征序列输入分割网络306，可以预测得到第i视频帧314的目标分割信息。其中，i为自然数，且i的最大值为视频包括的视频帧个数。
根据本公开的实施例，位置编码网络304可以基于各视频帧中每个像素的位置信息，得到各视频帧的位置特征。例如可以对各视频帧的每个像素，根据该每个像素在基于该各视频帧建立的坐标系中的坐标值，采用三角函数位置编码方法、学习位置编码方法或相对位置表达方法进行编码，得到针对每个像素的位置编码，该位置编码可以表示为一个C11维的向量。则对应各视频帧，得到的位置编码为H*W个C11维的向量，该些向量可以组成表示位置特征的张量
Figure BDA0003179454540000083
在一实施例中，C11的取值可以为1。
在一实施例中，位置编码网络304可以采用三角函数位置编码方法来得到位置特征。首先，可以将各视频帧的所有像素重排为一维像素向量。对于该一维像素向量中的每个像素，采用以下公式得到每个像素的位置编码：
Figure BDA0003179454540000081
Figure BDA0003179454540000082
其中，pos为每个像素在该一维像素向量中的位置，d为每个像素的位置编码的维度，j的取值为自0至d/2向下取整的值之间的任意整数，且j的取值可以为0和d/2向下取整的值。如此，对于每个像素，可以得到维度为d的位置编码。PE(pos，2j)为位置编码中偶数位置的取值，PE(pos，2j+1)为位置编码中奇数位置的取值。
在得到位置特征序列后，采用前文中将时间特征与特征图等进行融合的方法类似的方法，可以将位置特征和时间特征均与特征图等进行融合，得到融合特征序列。
该实施例在对视频进行目标分割时，不仅考虑时间特征，还考虑位置特征，从而可以使得目标检测模型在挖掘视频帧中待分割目标与历史帧中目标之间在时间上的关联的基础上，进一步挖掘视频帧中各像素之间的关联。从而可以进一步提高对视频进行目标分割的准确性。
图4是根据本公开实施例的获得当前视频帧的目标分割信息的原理示意图。
根据本公开的实施例，分割网络还可以在前述解码器结构上插入注意力模块，以此获得密集的像素级的上下文信息，提高预测得到的目标分割信息的准确性。该实施例可以将视频分割视为一个序列到序列的预测任务，采用基于自注意力(Self-Attention)机制构建的编码解码模块作为注意力模块。
相应地，分割网络可以包括编码解码子网络和分割子网络。在获得当前帧的目标分割信息时，可以先将融合特征序列输入编码解码子网络，将编码解码子网络输出的特征构成实例特征序列。随后将该实例特征序列输入分割子网络，得到当前视频帧的目标分割信息。
在一实施例中，编码解码子网络可以采用基于自注意力机制构建的Transformer模型构成。由于Transformer模型可以用于完成序列到序列的任务，擅长对长序列进行建模，因此适合应用于视频领域对多个视频帧的时序信息进行建模，且Transformer的核心机制(即自注意力机制)，可以基于两两之间的相似度来进行特征的学习和更新。因此，采用该Transformer模型，可以提高语义分割模型的精度，提高得到的目标分割信息的准确性。
如图4所示，在一实施例400中，分割网络中的编码解码子网络可以包括编码层401和解码层402。在得到融合特征序列后，该实施例可以将融合特征序列410输入编码层401中，由编码层401通过对像素点和像素点之间相似度的学习，来对融合特征序列410中的所有特征进行融合和更新，由该编码层401输出得到编码特征序列420。该编码特征序列输入解码层402后，由解码层402对该编码特征序列进行解码，输出实例特征序列。该实例特征序列输入分割子网络403后，经由该分割子网络403处理后，可以输出得到目标分割信息430。
根据本公开的实施例，还可以基于初始帧引入参考特征数据，使得解码层402能够基于输入的编码特征序列420，解码出稀疏的实例特征。这是由于编码特征序列420为密集的像素特征序列，通过引入该参考特征数据，可以提高解码得到的实例特征数据的准确性。
例如，如图4所示，该实施例400中，采用语义分割模型对视频进行目标分割的方法还可以包括以下操作：将起始帧440和起始帧的实际目标分割信息450作为预定特征提取模型460的输入，获得参考特征数据。其中，预定特征提取模型460例如可以包括两个特征提取分支和一个融合网络。构成两个特征提取分支的两个网络分别与前文描述的第一特征提取网络和第二特征提取网络类似。融合网络可以采用前文中对特征图和分割特征融合的方法，来对两个特征提取分支输出的两个特征进行融合，得到参考特征数据。在得到参考特征数据后，可以将该参考特征数据和编码层401输出的编码特征序列420输入解码层402，由解码层402处理后输出实例特征序列。
图5是根据本公开实施例的采用特征融合网络获得融合特征序列的原理示意图。
如图5所示，该实施例500中的特征融合网络可以包括第一融合子网络501和第二融合子网络502。在特征融合网络对特征图序列、分割特征序列、时间特征序列进行融合时，可以先将特征图序列510和分割特征序列520输入第一融合子网络501，由该第一融合子网络501处理后输出图像特征序列530。随后将该图像特征序列530和时间特征序列540输入第二融合子网络502，由第二融合子网络对两个特征序列在通道维度上进行融合，获得在通道维度进行融合的融合特征序列550。
根据本公开的实施例，在采用前文描述的方法得到位置特征序列时，该位置特征序列和时间特征序列540同时输入第二融合子网络502，由第二融合子网络对输入的三个特征序列在通道维度上进行融合，得到融合特征序列。
示例性地，第一融合子网络例如可以先将在前视频帧的特征图展开为D×(P×H×W)的特征图，将该展开的特征图与当前视频帧的特征图(H×W)×D叉乘，得到相关性矩阵(H×W)×(H×W×D)。将该相关性矩阵经由softmax函数在列方向上进行归一化，并与在前视频帧的分割特征叉乘，得到图像特征。基于前述方法，根据在前视频帧和当前视频帧中的每个视频帧，可以得到一个图像特征，从而可以得到图像特征序列。其中，D为通道数。
示例性地，设定图像特征序列中每个图像特征的大小为D×(H×W)，则通过第二融合子网络502在通道维度上将该每个图像特征与对应的时间特征相融合，可以得到一个大小为(D+1)×(H×W)的融合特征。若同时融合位置特征，则得到的融合特征的大小为(D+2)×(H×W)。该融合特征序列的整体大小为(1+P)×(D+2)×(H×W)。
根据本公开的实施例，在第二融合子网络得到融合特征后，例如还可以先对该融合特征进行重整形，例如将得到的整体大小为(1+P)×(D+2)×(H×W)的序列冲整形为大小为(1+T)HW×(D+2)的特征，该特征拆解后可以得到每个通道的一维特征(1+T)HW。将该(D+2)个通道的一维特征作为融合特征序列输入编码解码子网络。如此，可以采用Transformer模型等序列模型作为编码解码子网络。
基于本公开提供的采用语义分割模型对视频进行目标分割的方法，本公开还提供了一种采用语义分割模型对视频进行目标分割的装置。以下将结合图6对该装置进行详细描述。
图6是根据本公开实施例的采用语义分割模型对视频进行目标分割的装置的结构框图。
如图6所示，该实施例的采用语义分割模型对视频进行目标分割的装置600可以包括特征图获得模块610、分割特征获得模块620、时间特征获得模块630、融合特征获得模块640和目标分割模块650。其中，语义分割模型包括第一特征提取网络、第二特征提取网络、时间编码网络、特征融合网络和分割网络。
特征图获得模块610用于将当前视频帧和在前视频帧依次输入第一特征提取网络，得到特征图序列。在一实施例中，特征图获得模块610可以用于执行前文描述的操作S210，在此不再赘述。
分割特征获得模块620用于将在前视频帧的目标分割信息依次输入第二特征提取网络，得到分割特征序列。在一实施例中，分割特征获得模块620可以用于执行前文描述的操作S220，在此不再赘述。
时间特征获得模块630用于将当前视频帧和在前视频帧依次输入时间编码网络，得到时间特征序列。在一实施例中，时间特征获得模块630可以用于执行前文描述的操作S230，在此不再赘述。
融合特征获得模块640用于基于特征图序列、分割特征序列和时间特征序列，采用特征融合网络获得融合特征序列。在一实施例中，融合特征获得模块640可以用于执行前文描述的操作S240，在此不再赘述。
目标分割模块650用于将融合特征序列输入分割网络，获得当前视频帧的目标分割信息。在一实施例中，目标分割模块650可以用于执行前文描述的操作S250，在此不再赘述。
根据本公开的实施例，语义分割模型还包括位置编码网络。上述装置600还可以包括位置特征获得模块，用于将当前视频帧和在前视频帧依次输入位置编码网络，获得位置特征序列。其中，融合特征获得模块640例如可以用于将特征图序列、分割特征序列、时间特征序列和位置特征序列输入特征融合网络，获得在通道维度进行拼接的融合特征序列。
根据本公开的实施例，分割网络包括编码解码子网络和分割子网络。上述目标分割模块650可以包括编码解码子模块和目标分割子模块。编解码子模块用于将融合特征序列输入编码解码子网络，获得实例特征序列。目标分割子模块用于将实例特征序列输入分割子网络，得到当前视频帧的目标分割信息。
根据本公开的实施例，编码解码子网络包括编码层和解码层。上述装置600还可以包括参考特征获得模块，用于将起始帧和起始帧的实际目标分割信息作为预定特征提取模型的输入，获得参考特征数据。上述编码解码子模块可以包括编码单元和解码单元。编码单元用于将融合特征序列输入编码层，得到编码特征序列。解码单元用于将编码特征序列和参考特征数据输入解码层，得到实例特征序列。
根据本公开的实施例，编码解码子网络可以采用Transformer模型获得实例特征序列。
根据本公开的实施例，上述时间特征获得模块630可以用于基于时间顺序，将当前视频帧和在前视频帧依次输入时间编码网络，使时间编码网络基于输入的各视频帧相对于起始帧的时间信息，采用正弦波编码方法得到各视频帧的时间特征。
根据本公开的实施例，特征融合网络可以包括第一融合子网络和第二融合子网络。上述融合特征获得模块640可以包括第一融合子模块和第二融合子模块。第一融合子模块用于将特征图序列和分割特征序列输入第一融合子网络，得到图像特征序列。第二融合子模块用于将图像特征序列和时间特征序列输入第二融合子网络，获得在通道维度进行融合的融合特征序列。
需要说明的是，本公开的技术方案中，所涉及的用户个人信息的获取、存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图7示出了可以用来实施本公开实施例的采用语义分割模型对视频进行目标分割的方法的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如采用语义分割模型对视频进行目标分割的方法。例如，在一些实施例中，采用语义分割模型对视频进行目标分割的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的采用语义分割模型对视频进行目标分割的方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行采用语义分割模型对视频进行目标分割的方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。其中，服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务(″Virtual Private Server″，或简称″VPS″)中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (17)

1.一种采用语义分割模型对视频进行目标分割的方法，其中，所述语义分割模型包括第一特征提取网络、第二特征提取网络、时间编码网络、特征融合网络和分割网络；所述方法包括：
将当前视频帧和在前视频帧依次输入所述第一特征提取网络，得到特征图序列；
将在前视频帧的目标分割信息依次输入所述第二特征提取网络，得到分割特征序列；
将所述当前视频帧和在前视频帧依次输入所述时间编码网络，得到时间特征序列；
基于所述特征图序列、所述分割特征序列和所述时间特征序列，采用所述特征融合网络获得融合特征序列；以及
将所述融合特征序列输入所述分割网络，获得所述当前视频帧的目标分割信息。
2.根据权利要求1所述的方法，其中，所述语义分割模型还包括位置编码网络；所述方法还包括：
将所述当前视频帧和在前视频帧依次输入所述位置编码网络，获得位置特征序列；
采用所述特征融合网络获得融合特征序列包括；
将所述特征图序列、所述分割特征序列、所述时间特征序列和所述位置特征序列输入所述特征融合网络，获得在通道维度进行拼接的融合特征序列。
3.根据权利要求1所述的方法，其中，所述分割网络包括编码解码子网络和分割子网络；获得所述当前视频帧的目标分割信息包括：
将所述融合特征序列输入所述编码解码子网络，获得实例特征序列；以及
将所述实例特征序列输入所述分割子网络，得到所述当前视频帧的目标分割信息。
4.根据权利要求3所述的方法，其中，所述编码解码子网络包括编码层和解码层；所述方法还包括：
将起始帧和起始帧的实际目标分割信息作为预定特征提取模型的输入，获得参考特征数据；
获得实例特征序列包括：
将所述融合特征序列输入所述编码层，得到编码特征序列；以及
将所述编码特征序列和所述参考特征数据输入所述解码层，得到所述实例特征序列。
5.根据权利要求3所述的方法，其中，所述编码解码子网络采用Transformer模型获得所述实例特征序列。
6.根据权利要求1所述的方法，其中，得到时间特征序列包括：
基于时间顺序，将所述当前视频帧和在前视频帧依次输入所述时间编码网络，使所述时间编码网络基于输入的各视频帧相对于起始帧的时间信息，采用正弦波编码方法得到所述各视频帧的时间特征。
7.根据权利要求1所述的方法，其中，所述特征融合网络包括第一融合子网络和第二融合子网络；采用所述特征融合网络获得融合特征序列包括：
将所述特征图序列和所述分割特征序列输入所述第一融合子网络，得到图像特征序列；以及
将所述图像特征序列和所述时间特征序列输入所述第二融合子网络，获得在通道维度进行融合的融合特征序列。
8.一种采用语义分割模型对视频进行语义分割的装置，其中，所述语义分割模型包括第一特征提取网络、第二特征提取网络、时间编码网络、特征融合网络和分割网络；所述装置包括：
特征图获得模块，用于将当前视频帧和在前视频帧依次输入所述第一特征提取网络，得到特征图序列；
分割特征获得模块，用于将在前视频帧的目标分割信息依次输入所述第二特征提取网络，得到分割特征序列；
时间特征获得模块，用于将所述当前视频帧和在前视频帧依次输入所述时间编码网络，得到时间特征序列；
融合特征获得模块，用于基于所述特征图序列、所述分割特征序列和所述时间特征序列，采用所述特征融合网络获得融合特征序列；以及
目标分割模块，用于将所述融合特征序列输入所述分割网络，获得所述当前视频帧的目标分割信息。
9.根据权利要求8所述的装置，其中，所述语义分割模型还包括位置编码网络；所述装置还包括：
位置特征获得模块，用于将所述当前视频帧和在前视频帧依次输入所述位置编码网络，获得位置特征序列；
其中，所述融合特征获得模块用于将所述特征图序列、所述分割特征序列、所述时间特征序列和所述位置特征序列输入所述特征融合网络，获得在通道维度进行拼接的融合特征序列。
10.根据权利要求8所述的装置，其中，所述分割网络包括编码解码子网络和分割子网络；所述目标分割模块包括：
编解码子模块，用于将所述融合特征序列输入所述编码解码子网络，获得实例特征序列；以及
目标分割子模块，用于将所述实例特征序列输入所述分割子网络，得到所述当前视频帧的目标分割信息。
11.根据权利要求10所述的装置，其中，所述编码解码子网络包括编码层和解码层；所述装置还包括：
参考特征获得模块，用于将起始帧和起始帧的实际目标分割信息作为预定特征提取模型的输入，获得参考特征数据；
所述编解码子模块包括：
编码单元，用于将所述融合特征序列输入所述编码层，得到编码特征序列；以及
解码单元，用于将所述编码特征序列和所述参考特征数据输入所述解码层，得到所述实例特征序列。
12.根据权利要求10所述的装置，其中，所述编码解码子网络采用Transformer模型获得所述实例特征序列。
13.根据权利要求8所述的装置，其中，所述时间特征获得模块用于：
基于时间顺序，将所述当前视频帧和在前视频帧依次输入所述时间编码网络，使所述时间编码网络基于输入的各视频帧相对于起始帧的时间信息，采用正弦波编码方法得到所述各视频帧的时间特征。
14.根据权利要求8所述的装置，其中，所述特征融合网络包括第一融合子网络和第二融合子网络；所述融合特征获得模块包括：
第一融合子模块，用于将所述特征图序列和所述分割特征序列输入所述第一融合子网络，得到图像特征序列；以及
第二融合子模块，用于将所述图像特征序列和所述时间特征序列输入所述第二融合子网络，获得在通道维度进行融合的融合特征序列。
15.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1～7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1～7中任一项所述的方法。
17.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1～7中任一项所述的方法。
CN202110847159.7A 2021-07-26 2021-07-26 采用语义分割模型对视频进行目标分割的方法、装置 Active CN113570610B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110847159.7A CN113570610B (zh) 2021-07-26 2021-07-26 采用语义分割模型对视频进行目标分割的方法、装置
US17/872,304 US20220375187A1 (en) 2021-07-26 2022-07-25 Method of performing object segmentation on video using semantic segmentation model, device and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110847159.7A CN113570610B (zh) 2021-07-26 2021-07-26 采用语义分割模型对视频进行目标分割的方法、装置

Publications (2)

Publication Number Publication Date
CN113570610A true CN113570610A (zh) 2021-10-29
CN113570610B CN113570610B (zh) 2022-05-13

Family

ID=78167641

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110847159.7A Active CN113570610B (zh) 2021-07-26 2021-07-26 采用语义分割模型对视频进行目标分割的方法、装置

Country Status (2)

Country Link
US (1) US20220375187A1 (zh)
CN (1) CN113570610B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114429607A (zh) * 2022-01-24 2022-05-03 中南大学 一种基于Transformer的半监督视频目标分割方法
CN115529457A (zh) * 2022-09-05 2022-12-27 清华大学 基于深度学习的视频压缩方法和装置
CN116205928A (zh) * 2023-05-06 2023-06-02 南方医科大学珠江医院 腹腔镜手术视频的图像分割处理方法、装置和设备、介质
CN116246075A (zh) * 2023-05-12 2023-06-09 武汉纺织大学 一种动态信息与静态信息结合的视频语义分割方法

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230306600A1 (en) * 2022-02-10 2023-09-28 Qualcomm Incorporated System and method for performing semantic image segmentation
CN116310350B (zh) * 2023-05-25 2023-08-18 厦门大学 基于图卷积和半监督学习网络的城市场景语义分割方法
CN118155119B (zh) * 2024-03-22 2024-09-10 苏州科技大学 面向智能电梯乘客意图分析的视频分类方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109741341A (zh) * 2018-12-20 2019-05-10 华东师范大学 一种基于超像素和长短时记忆网络的图像分割方法
US20200034971A1 (en) * 2018-07-27 2020-01-30 Adobe Inc. Image Object Segmentation Based on Temporal Information
CN111178181A (zh) * 2019-12-16 2020-05-19 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
WO2021070004A1 (en) * 2019-10-08 2021-04-15 Spectalix Ltd. Object segmentation in video stream
CN112862828A (zh) * 2019-11-26 2021-05-28 华为技术有限公司 一种语义分割方法、模型训练方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200034971A1 (en) * 2018-07-27 2020-01-30 Adobe Inc. Image Object Segmentation Based on Temporal Information
CN109741341A (zh) * 2018-12-20 2019-05-10 华东师范大学 一种基于超像素和长短时记忆网络的图像分割方法
WO2021070004A1 (en) * 2019-10-08 2021-04-15 Spectalix Ltd. Object segmentation in video stream
CN112862828A (zh) * 2019-11-26 2021-05-28 华为技术有限公司 一种语义分割方法、模型训练方法及装置
CN111178181A (zh) * 2019-12-16 2020-05-19 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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
TONGWEI LU 等: "Deep Optical Flow Feature Fusion Based on 3D Convolutional Networks for Video Action Recognition", 《IEEE》 *
韩利丽: "基于深度学习的视频语义分割综述", 《计算机系统应用 》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114429607A (zh) * 2022-01-24 2022-05-03 中南大学 一种基于Transformer的半监督视频目标分割方法
CN114429607B (zh) * 2022-01-24 2024-03-29 中南大学 一种基于Transformer的半监督视频目标分割方法
CN115529457A (zh) * 2022-09-05 2022-12-27 清华大学 基于深度学习的视频压缩方法和装置
CN115529457B (zh) * 2022-09-05 2024-05-14 清华大学 基于深度学习的视频压缩方法和装置
CN116205928A (zh) * 2023-05-06 2023-06-02 南方医科大学珠江医院 腹腔镜手术视频的图像分割处理方法、装置和设备、介质
CN116246075A (zh) * 2023-05-12 2023-06-09 武汉纺织大学 一种动态信息与静态信息结合的视频语义分割方法

Also Published As

Publication number Publication date
US20220375187A1 (en) 2022-11-24
CN113570610B (zh) 2022-05-13

Similar Documents

Publication Publication Date Title
CN113570610B (zh) 采用语义分割模型对视频进行目标分割的方法、装置
CN113657390B (zh) 文本检测模型的训练方法和检测文本方法、装置和设备
CN113222916A (zh) 采用目标检测模型检测图像的方法、装置、设备和介质
US20230068238A1 (en) Method and apparatus for processing image, electronic device and storage medium
CN112560684B (zh) 车道线检测方法、装置、电子设备、存储介质以及车辆
CN112560862B (zh) 文本识别方法、装置及电子设备
CN113570606B (zh) 目标分割的方法、装置及电子设备
CN113792526B (zh) 字符生成模型的训练方法、字符生成方法、装置和设备和介质
CN112861830B (zh) 特征提取方法、装置、设备、存储介质以及程序产品
CN113591566A (zh) 图像识别模型的训练方法、装置、电子设备和存储介质
CN113901909B (zh) 基于视频的目标检测方法、装置、电子设备和存储介质
EP4432215A1 (en) Image processing method and device
CN113739811B (zh) 关键点检测模型的训练和高精地图车道线的生成方法设备
CN114863437B (zh) 文本识别方法、装置、电子设备和存储介质
CN113393371A (zh) 一种图像处理方法、装置及电子设备
CN115578735A (zh) 文本检测方法和文本检测模型的训练方法、装置
CN113177483B (zh) 视频目标分割方法、装置、设备以及存储介质
CN113989720A (zh) 目标检测方法、训练方法、装置、电子设备及存储介质
JP7372487B2 (ja) オブジェクトセグメンテーション方法、オブジェクトセグメンテーション装置及び電子機器
CN112990046B (zh) 差异信息获取方法、相关装置及计算机程序产品
CN114429631A (zh) 三维对象检测方法、装置、设备以及存储介质
CN114037965A (zh) 模型训练和车道线预测方法、设备及自动驾驶车辆
CN113610856A (zh) 训练图像分割模型和图像分割的方法和装置
CN113570607B (zh) 目标分割的方法、装置及电子设备
CN114820686B (zh) 抠图的方法、装置、电子设备及存储介质

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