CN113643318B - 图像分割方法、图像分割装置及终端设备 - Google Patents
图像分割方法、图像分割装置及终端设备 Download PDFInfo
- Publication number
- CN113643318B CN113643318B CN202110742546.4A CN202110742546A CN113643318B CN 113643318 B CN113643318 B CN 113643318B CN 202110742546 A CN202110742546 A CN 202110742546A CN 113643318 B CN113643318 B CN 113643318B
- Authority
- CN
- China
- Prior art keywords
- feature
- output
- processing module
- image
- feature processing
- 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
- 238000003709 image segmentation Methods 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000000605 extraction Methods 0.000 claims abstract description 56
- 238000013136 deep learning model Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims description 207
- 230000004927 fusion Effects 0.000 claims description 65
- 238000004590 computer program Methods 0.000 claims description 23
- 238000010586 diagram Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 230000003190 augmentative effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06T7/174—Segmentation; Edge detection involving the use of two or more images
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请提供的一种图像分割方法，包括：将彩色图像和深度图像输入预设深度学习模型中的特征提取模块，获得针对彩色图像的第一提取特征以及针对深度图像的第二提取特征，彩色图像和深度图像为对同一场景拍摄而得到；将第一提取特征和第二提取特征输入预设深度学习模型中的子模型，获得第一输出和第二输出；将第一输出和第二输出进行融合后，输入特征解码模块，获得特征解码模块输出的图像分割结果。通过上述方法，可以有效地融合多个维度的图像信息来进行图像分割，从而提升图像分割的精度。
Description
技术领域
本申请属于图像分割技术领域，尤其涉及图像分割方法、图像分割装置、终端设备及计算机可读存储介质。
背景技术
在构建三维语义地图等应用场景中，需要将图像中的各个物体进行准确地分割，以提升后续的地图构建等处理的精度。而目前，进行传统的图像分割方法往往是通过彩色图像进行图像分割，图像分割时所能参考的信息维度较为单一，导致图像分割的精度较低。
发明内容
本申请实施例提供了图像分割方法、图像分割装置、终端设备及计算机可读存储介质，可以有效地融合多个维度的图像信息来进行图像分割，从而提升图像分割的精度。
第一方面，本申请实施例提供了一种图像分割方法，包括：
将彩色图像和深度图像输入预设深度学习模型中的特征提取模块，获得针对彩色图像的第一提取特征以及针对深度图像的第二提取特征，彩色图像和深度图像为对同一场景拍摄而得到；
将第一提取特征和第二提取特征输入预设深度学习模型中的子模型，获得第一输出和第二输出，其中，子模型包括至少一级特征处理模块，针对每一级特征处理模块，特征处理模块的输入为特征处理模块对应的上一层的两个输出，并且特征处理模块用于将特征处理模块的输入进行融合后再拆分，获得特征处理模块的两个输出，第一输出和第二输出为子模型中的最后一级特征处理模块的两个输出；
将第一输出和第二输出进行融合后，输入特征解码模块，获得特征解码模块输出的图像分割结果。
第二方面，本申请实施例提供了一种图像分割装置，包括：
第一处理模块，用于将彩色图像和深度图像输入预设深度学习模型中的特征提取模块，获得针对彩色图像的第一提取特征以及针对深度图像的第二提取特征，彩色图像和深度图像为对同一场景拍摄而得到；
第二处理模块，用于将第一提取特征和第二提取特征输入预设深度学习模型中的子模型，获得第一输出和第二输出，其中，子模型包括至少一级特征处理模块，针对每一级特征处理模块，特征处理模块的输入为特征处理模块对应的上一层的两个输出，并且特征处理模块用于将特征处理模块的输入进行融合后再拆分，获得特征处理模块的两个输出，第一输出和第二输出为子模型中的最后一级特征处理模块的两个输出；
解码模块，用于将第一输出和第二输出进行融合后，输入特征解码模块，获得特征解码模块输出的图像分割结果。
第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序，上述处理器执行上述计算机程序时实现如第一方面的图像分割方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，上述计算机可读存储介质存储有计算机程序，上述计算机程序被处理器执行时实现如第一方面的图像分割方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中的图像分割方法。
本申请实施例与现有技术相比存在的有益效果是：本申请实施例中，可以将彩色图像和深度图像输入预设深度学习模型中的特征提取模块，获得针对彩色图像的第一提取特征以及针对深度图像的第二提取特征，彩色图像和深度图像为对同一场景拍摄而得到；然后，将第一提取特征和第二提取特征输入预设深度学习模型中的子模型，获得第一输出和第二输出，其中，子模型包括至少一级特征处理模块，针对每一级特征处理模块，特征处理模块的输入为特征处理模块对应的上一层的两个输出，并且特征处理模块用于将特征处理模块的输入进行融合后再拆分，获得特征处理模块的两个输出，第一输出和第二输出为子模型中的最后一级特征处理模块的两个输出。其中，第一提取特征和第二提取特征可以通过至少一个特征处理模块进行融合后再分拆，此时，获得的第一输出和第二输出可以分别在彩色图像的特征的基础上参考深度图像的特征，以及在深度图像的特征的基础上参考彩色图像的特征，然后可以将第一输出和第二输出进行融合后，输入特征解码模块，获得特征解码模块输出的图像分割结果，从而有效地融合第一输出和第二输出中的多个维度的图像信息来进行图像分割，从而提升图像分割的精度。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的一种图像分割方法的流程示意图；
图2是本申请一实施例提供的预设深度学习模型的一种架构示意图；
图3是本申请一实施例提供的特征处理模块的一种架构示意图；
图4是本申请一实施例提供的一种图像分割装置的结构示意图；
图5是本申请一实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
在构建三维语义地图等应用场景中，需要将图像中的各个物体进行准确地分割，以提升后续的地图构建等处理的精度。
目前，一种常用的图像分割方法通常是通过彩色图像(也称为RGB图像)进行图像分割，但是在三维语义地图的应用中，基于三维语义地图实现的导航以及避障等功能需要知道物体相对于执行设备(如机器人)的准确方位，此时，基于二维的彩色图像的图像分割算法不能满足实际场景中的需求。
另一种常用的方法是先基于彩色图像进行二维的图像分割，再根据RGB图像对应的深度信息对二维的图像分割的分割结果进行深度估计，从而构建语义地图。此方法忽视了深度图像中的有效信息能够对复杂的场景分割提供帮助，图像分割的准确率也并不高。
还有一些方法则是将彩色图像和深度图像一起作为同一个图像分割算法的输入，得到该图像分割算法输出的分割结果。但是目前的该类方法中，彩色图像和深度图像中的信息会互相干扰，如果直接对二者的特征信息进行融合，会导致图像分割结果的精度提高有限，甚至会降低分割精度。
而通过本申请实施例，可以有效地融合多个维度的图像信息来进行图像分割，从而提升图像分割的精度。
具体地，图1示出了本申请实施例提供的一种图像分割方法的流程图，该图像分割方法可以应用于终端设备。
终端设备的类型可以为机器人、机械臂、机械控制平台、台式电脑、手机、平板电脑、可穿戴设备、车载设备、增强现实(augmented reality，AR)/虚拟现实(virtualreality，VR)设备、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本、个人数字助理(personal digital assistant，PDA)等，本申请实施例对终端设备的具体类型不作任何限制。
如图1所示，该图像分割方法可以包括：
步骤S101，将彩色图像和深度图像输入预设深度学习模型中的特征提取模块，获得针对彩色图像的第一提取特征以及针对深度图像的第二提取特征，彩色图像和深度图像为对同一场景拍摄而得到。
本申请实施例中，彩色图像以及深度图像的具体获取方式可以有多种。示例性的，可以通过机器人等设备上的摄像头采集得到彩色图像以及深度图像之后，发送给执行本申请实施例的终端设备。或者，彩色图像以及深度图像也可以是终端设备从云端服务器下载得到的。或者，彩色图像以及深度图像也可以是终端设备获取得到的指定视频中的视频帧。
特征提取模块的具体结构在此不做限定。示例性地，特征提取模块中可以包括第一单元和第二单元，其中，第一单元用于对彩色图像进行特征提取，获得第一提取特征，第二单元用于对深度图像进行特征提取，获得第二提取特征。第一单元和第二单元的结构在此不做限定。在一些示例中，第一单元可以包括至少一个卷积层和池化层。其中，卷积层可以用于提取对应的图像中的特征，池化层可以用于降低对应的图像的尺寸以减少计算量，同时进一步提取对应的图像中最大的特征区域。第一单元可以为现有的通用的结构，也可以是研发人员自行开发的结构。第一单元和第二单元的结构可以相同，也可以不同。
第一提取特征和第二提取特征可以为特征矩阵的形式。该特征矩阵的维度、大小等可以根据实际场景来确定。
预设深度学习模型中的参数可以基于预先训练而得到。其中，在对预设深度学习模型进行迭代训练过程中，可以通过代价函数判断对预设深度学习模型的训练是否完成，代价函数的具体设置方式可以根据实际需求来确定，在此不做限制。
步骤S102，将第一提取特征和第二提取特征输入预设深度学习模型中的子模型，获得第一输出和第二输出，其中，子模型包括至少一级特征处理模块，针对每一级特征处理模块，特征处理模块的输入为特征处理模块对应的上一层的两个输出，并且特征处理模块用于将特征处理模块的输入进行融合后再拆分，获得特征处理模块的两个输出，第一输出和第二输出为子模型中的最后一级特征处理模块的两个输出。
本申请实施例中，特征处理模块的具体结构可以有多种。示例性的，特征处理模块可以包括特征融合单元，以用于融合第一提取特征和第二提取特征。此外，特征处理模块还可以包括特征分拆单元，以用于通过至少两个并行的卷积操作将特征融合单元的输出进行拆分，其中，特征分拆单元中的两个并行的卷积操作可以分别用于从特征融合单元的输出提取出不同的特征。此外，特征处理模块还可以对特征分拆单元的两个输出分别进行特征提取。
需要说明的是，特征处理模块的个数在此不做限制。若特征处理模块的个数为至少两个，则各个特征处理模块的参数可以相同，也可以不同。例如，各个特征处理模块之间的特征处理单元所分别对应的卷积核可以相同，也相互不同。
在一些示例中，第一输出用于表征彩色图像的特征，第二输出用于表征深度图像的特征。各个特征处理模块的参数可以不同，可以通过各个特征处理模块，实现不同类型的特征融合以及不同深度的特征提取，实现了多维度、多尺度地特征融合和应用。
本申请实施例中，第一提取特征和第二提取特征可以通过至少一个特征处理模块进行融合后再分拆，此时，获得的第一输出和第二输出可以分别在彩色图像的特征的基础上参考深度图像的特征，以及在深度图像的特征的基础上参考彩色图像的特征，从而得预设深度学习模型能够多维度、多尺度地应用彩色图像和深度图像的特征，为图像分割提供准确且丰富的数据基础。
在一些实施例中，每一级特征处理模块中包括一个特征融合单元、一个特征分拆单元和两个特征处理单元，特征处理模块的上一层的两个输出为相应特征融合单元的输入，特征融合单元的输出为相应特征分拆单元的输入，特征分拆单元的两个输出分别作为相应的两个特征处理单元的输入。
如图2所示，为本申请实施例中的预设深度学习模型的一种架构示意图。下面结合图2说明本申请实施例说明预设深度学习模型的架构的一种具体实现方式。
在图2的示例中，特征处理模块的个数可以为两个，包括特征处理模块A和特征处理模块B。该两个特征处理模块可以为串联结构。
彩色图像和深度图像输入特征提取模块之后，可以获得第一提取特征和第二提取特征，第一提取特征和第二提取特征可以依次通过特征处理模块A和特征处理模块B进行处理，从而通过两级特征处理模块实现多层次的特征处理。
特征处理模块A中可以包括特征融合单元A、特征分拆单元A、第一特征处理单元A和第二特征处理单元B。第一特征处理单元A和第二特征处理单元B为并列结构。
特征融合单元A和特征分拆单元A为串联，特征分拆单元的两个输出一一对应地输入第一特征处理单元A和第二特征处理单元B。特征融合单元A中所采用的特征融合方式可以根据实际需要来确定。在一种示例中，特征融合单元A可以通过叠合操作(concat操作)来实现特征融合，也可以通过矩阵加法运算来实现特征融合。此外，特征融合单元A还可以对融合后的特征进行卷积操作，以使得融合后的特征之间进一步建立关联性。
特征分拆单元A可以从特征融合单元A所输出的融合后的特征中，根据需要提取出不同的特征矩阵，例如，提取出表征彩色图像的特征矩阵和表征深度图像的特征矩阵，以作为特征分拆单元A的两个输出。此时，特征分拆单元A可以基于特征融合单元A所输出的融合后的特征之间的相互关联关系和相互对照关系，更准确地根据需要进行特征分拆。
特征处理模块A中的两个特征处理单元(即第一特征处理单元A和第二特征处理单元A)的结构以及参数的具体设置情况可以根据场景需求来确定。在一种示例中，第一特征处理单元A和第二特征处理单元A的结构可以相同，但由于第一特征处理单元A和第二特征处理单元A分别用于提取不同的特征，因此，通过训练得到的第一特征处理单元A和第二特征处理单元A的具体参数可以不同。
特征处理模块B的具体设置方式可以参照特征处理模块A，但在一些示例中，具体参数和结构设置可以选择与特征处理模块A不同的设置方式。
在一些示例中，特征处理模块中的两个特征处理单元可以分别用于针对彩色图像的特征以及针对深度图像的特征进行提取。此时，针对彩色图像，特征处理模块以及各个特征处理模块中用于针对彩色图像的特征进行特征提取的特征处理单元可以相同，也可以不同。
在一些实施例中，特征分拆单元的两个输出为第三输出和第四输出，第三输出与彩色图像相对应，第四输出与深度图像相对应。
本申请实施例中，特征分拆单元可以通过诸如指定的特征提取操作(如卷积操作)等方式，从对应的特征融合单元所输出的融合后的特征中，分别提取出彩色图像的特征以及深度图像的特征，获得第三输出和第四输出。但由于特征融合单元所输出的是融合后的特征，因此，特征分拆单元在提取彩色图像的特征时，可以参考深度图像的特征，而在提取深度图像的特征时，也可以参考彩色图像的特征，使得进行特征分拆时所参考的语义信息更为全面且易于形成相互对照，从而使得获得的第三输出和第四输出中的有效特征信息更为突出，为后续的解码等操作提供了数据基础。
在一些实施例中，每一级特征处理模块的输入包括第一输入和第二输入，第一输入与彩色图像相对应，第二输入与深度图像相对应，每一级特征处理模块中包含的两个特征处理单元为第一特征处理单元和第二特征处理单元；
第一特征处理单元包括第一特征融合子单元和第一特征提取子单元，第一特征融合子单元用于将对应的第三输出与对应的特征处理模块的第一输入进行融合，获得第一融合结果，第一融合结果为对应的第一特征提取子单元的输入；
第二特征处理单元包括第二特征融合子单元和第二特征提取子单元，第二特征融合子单元用于将对应的第四输出与对应的特征处理模块的第二输入进行融合，获得第二融合结果，第二融合结果为对应的第二特征提取子单元的输入。
如图3所示，为特征处理模块的一种示例性示意图。
在本示例中，针对特征处理模块C进行具体说明。
特征处理模块C中包括第一特征处理单元C和第二特征处理单元C，第一特征处理单元C可以包括第一特征融合子单元C和第一特征提取子单元C，第二特征处理单元C可以包括第二特征融合子单元C和第二特征提取子单元C。
其中，特征处理模块C的输入包括第一输入和第二输入。具体的，每一个特征处理模块C的输入可以为第一提取特征和第二提取特征；或者，每一个特征处理模块的输入也可以为上一级特征处理模块的两个输出，可见，每一个特征处理模块的两个输出可以分别用于表征彩色图像的特征以及深度图像的特征。
第三输出与对应的特征处理模块C的第一输入进行融合的具体融合方式与第四输出与对应的特征处理模块C的第二输入进行融合的具体融合方式可以相同，也可以不同，具体的，可以通过矩阵加法运算来实现，也可以通过叠合操作来实现。
特征处理模块C中的第一特征处理单元C可以将对应的第三输出与特征处理模块C的第一输入进行融合后再通过第一特征提取子单元C进行特征提取，并且第二特征处理单元C可以将对应的第四输出与特征处理模块C的第二输入进行融合后再进行通过第二特征提取子单元C进行特征提取，从而可以提升关联特征的信息量，便于在特征提取时进行较为全面的语义分析，进而提升特征提取的准确性。
在一种具体应用场景中，特征提取模块中的第一单元以及各个特征处理模块中的第一特征提取子单元可以分别用于对不同深度的特征进行提取，以获得彩色图像中的不同深度的图像特征。
在一些实施例中，第三输出为特征分拆单元根据第一卷积核对特征分拆单元的输入进行第一卷积操作而得到，第四输出为特征分拆单元根据第二卷积核对特征分拆单元的输入进行第二卷积操作而得到，第一卷积核和第二卷积核不同。
本申请实施例中，第一卷积核用于从特征分拆单元的输入中提取关于彩色图像的特征，而第二卷积核用于从特征分拆单元的输入中提取关于深度图像的特征。
由于特征分拆单元的输入为对应的特征融合单元的输出，融合有彩色图像的特征以及深度图像的特征，因此，特征分拆单元在通过第一卷积核提取彩色图像的特征时，可以参考深度图像的特征，而在通过第二卷积核提取深度图像的特征时，也可以参考彩色图像的特征，使得进行特征分拆时所参考的语义信息更为全面且易于形成相互对照，从而使得获得的第三输出和第四输出中的有效特征信息更为突出，为后续的解码等操作提供了数据基础。
第一卷积核和第二卷积核可以根据对预设深度学习模型的训练而确定。
在一些实施例中，特征融合单元用于将相应特征处理模块的前一层的两个输出进行预设特征融合操作再进行卷积操作。
本申请实施例中，预设特征融合操作可以为叠合操作。特征融合单元可以融合关于彩色图像的特征和关于深度图像的特征，在进一步进行通过卷积操作进行特征提取，以使得融合后的特征之间进一步建立关联性。
步骤S103，将第一输出和第二输出进行融合后，输入特征解码模块，获得特征解码模块输出的图像分割结果。
本申请实施例中，特征解码模块的具体结构可以有多种。特征解码模块可以为通用的解码器结构，也可以为研发人员自行开发的解码模块。示例性的，特征解码模块可以包括至少一个卷积层和至少一个上采样层，以进行卷积操作和上采样操作。其中，卷积操作用于提取特征，而上采样操作可以用于还原特征的尺寸。
第一输出和第二输出可以通过叠合操作进行融合。
在一些实施例中，在获得特征解码模块输出的图像分割结果之后，还包括：
根据图像分割结果，构建语义地图。
本申请实施例中，示例性的，可以根据图像分割结果中的各个物体的轮廓信息，以及对应的彩色图像以及深度图像中的各个特征点信息，通过特征点匹配、矩阵边缘、点云拼接等步骤构建语义地图。构建语义地图的具体方式在此不作限定。
本申请实施例中，由于图像分割结果的精度较高，并且图像分割结果中的各个物体的轮廓信息可以包括彩色图像的特征信息和深度图像的深度信息，因此，根据图像分割结果构建语义地图时，图像分割结果中的各个物体的轮廓信息可以用于辅助判断各个物体之间的相对位置，从而提升了所构建得到的语义地图的精度，在通过构建得到的语义地图进行导航以及避障等任务时可以提供技术保障。
本申请实施例中，可以将彩色图像和深度图像输入预设深度学习模型中的特征提取模块，获得针对彩色图像的第一提取特征以及针对深度图像的第二提取特征，彩色图像和深度图像为对同一场景拍摄而得到；然后，将第一提取特征和第二提取特征输入预设深度学习模型中的子模型，获得第一输出和第二输出，其中，子模型包括至少一级特征处理模块，针对每一级特征处理模块，特征处理模块的输入为特征处理模块对应的上一层的两个输出，并且特征处理模块用于将特征处理模块的输入进行融合后再拆分，获得特征处理模块的两个输出，第一输出和第二输出为子模型中的最后一级特征处理模块的两个输出。其中，第一提取特征和第二提取特征可以通过至少一个特征处理模块进行融合后再分拆，此时，获得的第一输出和第二输出可以分别在彩色图像的特征的基础上参考深度图像的特征，以及在深度图像的特征的基础上参考彩色图像的特征，然后可以将第一输出和第二输出进行融合后，输入特征解码模块，获得特征解码模块输出的图像分割结果，从而有效地融合第一输出和第二输出中的多个维度的图像信息来进行图像分割，从而提升图像分割的精度。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例上述的图像分割方法，图4示出了本申请实施例提供的一种图像分割装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图4，该图像分割装置4包括：
第一处理模块401，用于将彩色图像和深度图像输入预设深度学习模型中的特征提取模块，获得针对彩色图像的第一提取特征以及针对深度图像的第二提取特征，彩色图像和深度图像为对同一场景拍摄而得到；
第二处理模块402，用于将第一提取特征和第二提取特征输入预设深度学习模型中的子模型，获得第一输出和第二输出，其中，子模型包括至少一级特征处理模块，针对每一级特征处理模块，特征处理模块的输入为特征处理模块对应的上一层的两个输出，并且特征处理模块用于将特征处理模块的输入进行融合后再拆分，获得特征处理模块的两个输出，第一输出和第二输出为子模型中的最后一级特征处理模块的两个输出；
解码模块403，用于将第一输出和第二输出进行融合后，输入特征解码模块，获得特征解码模块输出的图像分割结果。
可选地，每一级特征处理模块中包括一个特征融合单元、一个特征分拆单元和两个特征处理单元，特征处理模块的上一层的两个输出为相应特征融合单元的输入，特征融合单元的输出为相应特征分拆单元的输入，特征分拆单元的两个输出分别作为相应的两个特征处理单元的输入。
可选地，特征分拆单元的两个输出为第三输出和第四输出，第三输出与彩色图像相对应，第四输出与深度图像相对应。
可选地，每一级特征处理模块的输入包括第一输入和第二输入，第一输入与彩色图像相对应，第二输入与深度图像相对应，每一级特征处理模块中包含的两个特征处理单元为第一特征处理单元和第二特征处理单元；
第一特征处理单元包括第一特征融合子单元和第一特征提取子单元，第一特征融合子单元用于将对应的第三输出与对应的特征处理模块的第一输入进行融合，获得第一融合结果，第一融合结果为对应的第一特征提取子单元的输入；
第二特征处理单元包括第二特征融合子单元和第二特征提取子单元，第二特征融合子单元用于将对应的第四输出与对应的特征处理模块的第二输入进行融合，获得第二融合结果，第二融合结果为对应的第二特征提取子单元的输入。
可选地，第三输出为特征分拆单元根据第一卷积核对特征分拆单元的输入进行第一卷积操作而得到，第四输出为特征分拆单元根据第二卷积核对特征分拆单元的输入进行第二卷积操作而得到，第一卷积核和第二卷积核不同。
可选地，特征融合单元用于将相应特征处理模块的前一层的两个输出进行预设特征融合操作再进行卷积操作。
可选地，该图像分割装置4还包括：
构建模块，用于根据图像分割结果，构建语义地图。
本申请实施例中，可以将彩色图像和深度图像输入预设深度学习模型中的特征提取模块，获得针对彩色图像的第一提取特征以及针对深度图像的第二提取特征，彩色图像和深度图像为对同一场景拍摄而得到；然后，将第一提取特征和第二提取特征输入预设深度学习模型中的子模型，获得第一输出和第二输出，其中，子模型包括至少一级特征处理模块，针对每一级特征处理模块，特征处理模块的输入为特征处理模块对应的上一层的两个输出，并且特征处理模块用于将特征处理模块的输入进行融合后再拆分，获得特征处理模块的两个输出，第一输出和第二输出为子模型中的最后一级特征处理模块的两个输出。其中，第一提取特征和第二提取特征可以通过至少一个特征处理模块进行融合后再分拆，此时，获得的第一输出和第二输出可以分别在彩色图像的特征的基础上参考深度图像的特征，以及在深度图像的特征的基础上参考彩色图像的特征，然后可以将第一输出和第二输出进行融合后，输入特征解码模块，获得特征解码模块输出的图像分割结果，从而有效地融合第一输出和第二输出中的多个维度的图像信息来进行图像分割，从而提升图像分割的精度。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将上述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、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，在此不再赘述。
图5为本申请一实施例提供的终端设备的结构示意图。如图5所示，该实施例的终端设备5包括：至少一个处理器50(图5中仅示出一个)、存储器51以及存储在上述存储器51中并可在上述至少一个处理器50上运行的计算机程序52，上述处理器50执行上述计算机程序52时实现上述任意各个图像分割方法实施例中的步骤。
上述终端设备5可以是机器人、机械臂、服务器、手机、可穿戴设备、增强现实(augmented reality，AR)/虚拟现实(virtual reality，VR)设备、桌上型计算机、笔记本、台式电脑以及掌上电脑等计算设备。该终端设备可包括，但不仅限于，处理器50、存储器51。本领域技术人员可以理解，图5仅仅是终端设备5的举例，并不构成对终端设备5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入设备、输出设备、网络接入设备等。其中，上述输入设备可以包括键盘、触控板、指纹采集传感器(用于采集用户的指纹信息和指纹的方向信息)、麦克风、摄像头等，输出设备可以包括显示器、扬声器等。
上述处理器50可以是中央处理单元(Central Processing Unit，CPU)，该处理器50还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
上述存储器51在一些实施例中可以是上述终端设备5的内部存储单元，例如终端设备5的硬盘或内存。上述存储器51在另一些实施例中也可以是上述终端设备5的外部存储设备，例如上述终端设备5上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，上述存储器51还可以既包括上述终端设备5的内部存储单元也包括外部存储设备。上述存储器51用于存储操作系统、应用程序、引导装载程序(Boot Loader)、数据以及其他程序等，例如上述计算机程序的程序代码等。上述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
另外，尽管未示出，上述终端设备5还可以包括网络连接模块，如蓝牙模块Wi-Fi模块、蜂窝网络模块等等，在此不再赘述。
本申请实施例中，上述处理器50执行上述计算机程序52以实现上述任意各个图像分割方法实施例中的步骤时，可以将彩色图像和深度图像输入预设深度学习模型中的特征提取模块，获得针对彩色图像的第一提取特征以及针对深度图像的第二提取特征，彩色图像和深度图像为对同一场景拍摄而得到；然后，将第一提取特征和第二提取特征输入预设深度学习模型中的子模型，获得第一输出和第二输出，其中，子模型包括至少一级特征处理模块，针对每一级特征处理模块，特征处理模块的输入为特征处理模块对应的上一层的两个输出，并且特征处理模块用于将特征处理模块的输入进行融合后再拆分，获得特征处理模块的两个输出，第一输出和第二输出为子模型中的最后一级特征处理模块的两个输出。其中，第一提取特征和第二提取特征可以通过至少一个特征处理模块进行融合后再分拆，此时，获得的第一输出和第二输出可以分别在彩色图像的特征的基础上参考深度图像的特征，以及在深度图像的特征的基础上参考彩色图像的特征，然后可以将第一输出和第二输出进行融合后，输入特征解码模块，获得特征解码模块输出的图像分割结果，从而有效地融合第一输出和第二输出中的多个维度的图像信息来进行图像分割，从而提升图像分割的精度。
本申请实施例还提供了一种计算机可读存储介质，上述计算机可读存储介质存储有计算机程序，上述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行时实现可实现上述各个方法实施例中的步骤。
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，上述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，上述计算机程序包括计算机程序代码，上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。上述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，上述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上上述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (8)
1.一种图像分割方法，其特征在于，包括：
将彩色图像和深度图像输入预设深度学习模型中的特征提取模块，获得针对所述彩色图像的第一提取特征以及针对所述深度图像的第二提取特征，所述彩色图像和深度图像为对同一场景拍摄而得到；
将所述第一提取特征和所述第二提取特征输入所述预设深度学习模型中的子模型，获得第一输出和第二输出，其中，所述子模型包括至少一级特征处理模块，针对每一级特征处理模块，所述特征处理模块的输入为所述特征处理模块对应的上一层的两个输出，并且所述特征处理模块用于将所述特征处理模块的输入进行融合后再拆分，获得所述特征处理模块的两个输出，所述第一输出和所述第二输出为所述子模型中的最后一级特征处理模块的两个输出；每一级特征处理模块中包括一个特征融合单元、一个特征分拆单元和两个特征处理单元，所述特征处理模块的上一层的两个输出为相应特征融合单元的输入，所述特征融合单元的输出为相应特征分拆单元的输入，所述特征分拆单元的两个输出分别作为相应的两个特征处理单元的输入；所述特征分拆单元的两个输出为第三输出和第四输出，所述第三输出与所述彩色图像相对应，所述第四输出与所述深度图像相对应；
将所述第一输出和所述第二输出进行融合后，输入特征解码模块，获得所述特征解码模块输出的图像分割结果。
2.如权利要求1所述的图像分割方法，其特征在于，每一级特征处理模块的输入包括第一输入和第二输入，所述第一输入与所述彩色图像相对应，所述第二输入与所述深度图像相对应，每一级特征处理模块中包含的两个特征处理单元为第一特征处理单元和第二特征处理单元；
所述第一特征处理单元包括第一特征融合子单元和第一特征提取子单元，所述第一特征融合子单元用于将对应的第三输出与对应的特征处理模块的第一输入进行融合，获得第一融合结果，所述第一融合结果为对应的第一特征提取子单元的输入；
所述第二特征处理单元包括第二特征融合子单元和第二特征提取子单元，所述第二特征融合子单元用于将对应的第四输出与对应的特征处理模块的第二输入进行融合，获得第二融合结果，所述第二融合结果为对应的第二特征提取子单元的输入。
3.如权利要求1所述的图像分割方法，其特征在于，所述第三输出为所述特征分拆单元根据第一卷积核对所述特征分拆单元的输入进行第一卷积操作而得到，所述第四输出为所述特征分拆单元根据第二卷积核对所述特征分拆单元的输入进行第二卷积操作而得到，所述第一卷积核和所述第二卷积核不同。
4.如权利要求1所述的图像分割方法，其特征在于，所述特征融合单元用于将相应特征处理模块的前一层的两个输出进行预设特征融合操作再进行卷积操作。
5.如权利要求1至4任意一项所述的图像分割方法，其特征在于，在获得所述特征解码模块输出的图像分割结果之后，还包括：
根据所述图像分割结果，构建语义地图。
6.一种图像分割装置，其特征在于，包括：
第一处理模块，用于将彩色图像和深度图像输入预设深度学习模型中的特征提取模块，获得针对所述彩色图像的第一提取特征以及针对所述深度图像的第二提取特征，所述彩色图像和深度图像为对同一场景拍摄而得到；
第二处理模块，用于将所述第一提取特征和所述第二提取特征输入所述预设深度学习模型中的子模型，获得第一输出和第二输出，其中，所述子模型包括至少一级特征处理模块，针对每一级特征处理模块，所述特征处理模块的输入为所述特征处理模块对应的上一层的两个输出，并且所述特征处理模块用于将所述特征处理模块的输入进行融合后再拆分，获得所述特征处理模块的两个输出，所述第一输出和所述第二输出为所述子模型中的最后一级特征处理模块的两个输出，每一级特征处理模块中包括一个特征融合单元、一个特征分拆单元和两个特征处理单元，所述特征处理模块的上一层的两个输出为相应特征融合单元的输入，所述特征融合单元的输出为相应特征分拆单元的输入，所述特征分拆单元的两个输出分别作为相应的两个特征处理单元的输入所述特征分拆单元的两个输出为第三输出和第四输出，所述第三输出与所述彩色图像相对应，所述第四输出与所述深度图像相对应；
解码模块，用于将所述第一输出和所述第二输出进行融合后，输入特征解码模块，获得所述特征解码模块输出的图像分割结果。
7.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的图像分割方法。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的图像分割方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110742546.4A CN113643318B (zh) | 2021-06-30 | 2021-06-30 | 图像分割方法、图像分割装置及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110742546.4A CN113643318B (zh) | 2021-06-30 | 2021-06-30 | 图像分割方法、图像分割装置及终端设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113643318A CN113643318A (zh) | 2021-11-12 |
| CN113643318B true CN113643318B (zh) | 2023-11-24 |
Family
ID=78416555
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110742546.4A Active CN113643318B (zh) | 2021-06-30 | 2021-06-30 | 图像分割方法、图像分割装置及终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113643318B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105096289A (zh) * | 2015-09-21 | 2015-11-25 | 河南科技学院 | 一种图像处理的方法及移动终端 |
| CN110599492A (zh) * | 2019-09-19 | 2019-12-20 | 腾讯科技（深圳）有限公司 | 图像分割模型的训练方法、装置、电子设备及存储介质 |
| CN110728224A (zh) * | 2019-10-08 | 2020-01-24 | 西安电子科技大学 | 一种基于注意力机制深度Contourlet网络的遥感图像分类方法 |
| CN111062981A (zh) * | 2019-12-13 | 2020-04-24 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置及存储介质 |
| CN111429464A (zh) * | 2020-03-11 | 2020-07-17 | 深圳先进技术研究院 | 医学图像分割方法、医学图像分割装置及终端设备 |
| CN111539942A (zh) * | 2020-04-28 | 2020-08-14 | 中国科学院自动化研究所 | 基于多尺度深度特征融合的人脸深度篡改图像的检测方法 |
| CN111652884A (zh) * | 2020-04-24 | 2020-09-11 | 深圳奥比中光科技有限公司 | 基于3d摄像头的人像分割方法及系统 |
| WO2021031066A1 (zh) * | 2019-08-19 | 2021-02-25 | 中国科学院深圳先进技术研究院 | 一种软骨图像分割方法、装置、可读存储介质及终端设备 |
| CN112651406A (zh) * | 2020-12-18 | 2021-04-13 | 浙江大学 | 一种深度感知和多模态自动融合的rgb-d显著性目标检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109003282B (zh) * | 2018-07-27 | 2022-04-29 | 京东方科技集团股份有限公司 | 一种图像处理的方法、装置及计算机存储介质 |
-
2021
- 2021-06-30 CN CN202110742546.4A patent/CN113643318B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105096289A (zh) * | 2015-09-21 | 2015-11-25 | 河南科技学院 | 一种图像处理的方法及移动终端 |
| WO2021031066A1 (zh) * | 2019-08-19 | 2021-02-25 | 中国科学院深圳先进技术研究院 | 一种软骨图像分割方法、装置、可读存储介质及终端设备 |
| CN110599492A (zh) * | 2019-09-19 | 2019-12-20 | 腾讯科技（深圳）有限公司 | 图像分割模型的训练方法、装置、电子设备及存储介质 |
| CN110728224A (zh) * | 2019-10-08 | 2020-01-24 | 西安电子科技大学 | 一种基于注意力机制深度Contourlet网络的遥感图像分类方法 |
| CN111062981A (zh) * | 2019-12-13 | 2020-04-24 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置及存储介质 |
| CN111429464A (zh) * | 2020-03-11 | 2020-07-17 | 深圳先进技术研究院 | 医学图像分割方法、医学图像分割装置及终端设备 |
| CN111652884A (zh) * | 2020-04-24 | 2020-09-11 | 深圳奥比中光科技有限公司 | 基于3d摄像头的人像分割方法及系统 |
| CN111539942A (zh) * | 2020-04-28 | 2020-08-14 | 中国科学院自动化研究所 | 基于多尺度深度特征融合的人脸深度篡改图像的检测方法 |
| CN112651406A (zh) * | 2020-12-18 | 2021-04-13 | 浙江大学 | 一种深度感知和多模态自动融合的rgb-d显著性目标检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| CE-Net: Context Encoder Network for 2D Medical Image Segmentation;Zaiwang Gu 等;《IEEE TRANSACTIONS ON MEDICAL IMAGING》;第38卷(第10期);第2281-2292页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113643318A (zh) | 2021-11-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111815754B (zh) | 一种三维信息确定方法、三维信息确定装置及终端设备 | |
| CN109902548B (zh) | 一种对象属性识别方法、装置、计算设备及系统 | |
| CN112528831B (zh) | 多目标姿态估计方法、多目标姿态估计装置及终端设备 | |
| CN109934065B (zh) | 一种用于手势识别的方法和装置 | |
| CN111667520A (zh) | 红外图像和可见光图像的配准方法、装置及可读存储介质 | |
| WO2013177448A1 (en) | Systems and methods for feature tracking | |
| CN111290684B (zh) | 图像显示方法、图像显示装置及终端设备 | |
| CN112966725B (zh) | 匹配模板图像的方法、装置及终端设备 | |
| CN111367407B (zh) | 智能眼镜交互方法、智能眼镜交互装置及智能眼镜 | |
| CN112287865B (zh) | 一种人体姿态识别的方法及装置 | |
| CN111967515A (zh) | 图像信息提取方法、训练方法及装置、介质和电子设备 | |
| CN113869282A (zh) | 人脸识别方法、超分模型训练方法及相关设备 | |
| CN111950570A (zh) | 目标图像提取方法、神经网络训练方法及装置 | |
| CN114330565A (zh) | 一种人脸识别方法及装置 | |
| CN114187333A (zh) | 一种图像对齐方法、图像对齐装置及终端设备 | |
| CN111368860B (zh) | 重定位方法及终端设备 | |
| CN116051873A (zh) | 关键点匹配方法、装置及电子设备 | |
| CN112198878A (zh) | 一种即时地图构建方法、装置、机器人及存储介质 | |
| CN111460910A (zh) | 人脸脸型的分类方法、装置、终端设备及存储介质 | |
| CN111611941B (zh) | 特效处理方法及相关设备 | |
| CN113643318B (zh) | 图像分割方法、图像分割装置及终端设备 | |
| CN115661493B (zh) | 一种对象位姿的确定方法及装置、设备及存储介质 | |
| CN115239776B (zh) | 点云的配准方法、装置、设备和介质 | |
| CN109816709B (zh) | 基于单目摄像头的深度估计方法、装置及设备 | |
| CN116129504A (zh) | 一种活体检测模型训练方法和活体检测方法 |
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 |