CN115564955A - 一种图像语义分割方法、装置、设备和存储介质 - Google Patents
一种图像语义分割方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN115564955A CN115564955A CN202211294039.XA CN202211294039A CN115564955A CN 115564955 A CN115564955 A CN 115564955A CN 202211294039 A CN202211294039 A CN 202211294039A CN 115564955 A CN115564955 A CN 115564955A
- Authority
- CN
- China
- Prior art keywords
- image
- network
- sub
- processing
- semantic segmentation
- 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
Images
Classifications
-
- 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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种图像语义分割方法、装置、设备和存储介质。方法包括将原始图像分别输入主网络和子网络;通过子网络对原始图像进行处理获取边缘轮廓信息;通过主网络对原始图像进行处理获取第一图像特征,并根据第一图像特征和边缘轮廓信息获取图像语义分割结果。通过增加子网络获取原始图像的边缘轮廓信息,在主网络提取到原始图像的第一图像特征之后,通过将边缘轮廓信息添加到第一图像特征中,从而减少了采样过程中图像特征的丢失,从而使得图像语义分割的结果更加准确。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种图像语义分割方法、装置、设备和存储介质。
背景技术
随着网络不断地进行卷积和池化,神经网络的语义表征能力在不断地增强的同时,也在损失越来越多的图像特征信息,由于图像语义分割本质上实现的是像素级别的分类任务,这些损失的图像特征信息对于语义分割任务而言是非常重要的。
目前虽然提出了采用空洞卷积用于减少采样过程中造成的图像信息损失,但是空洞卷积会产生网格效应,当多次叠加的空洞卷积具有相同的扩张率时,会使得特征图中的部分特征不会参与卷积运算,相当于依然会损失掉一部分图像特征;其次,空洞卷积会造成图像特征在空间信息上的不连续,对于不需要大感受野的小物体而言,这种空间上的不连续以及信息损失是非常不利的,因此对于图中的小物体分割效果依然是不理想的。
发明内容
本发明提供了一种图像语义分割方法、装置、设备和存储介质,以对原始图像进行准确的语义分割。
根据本发明的一方面,提供了一种图像语义分割方法,包括:将原始图像分别输入主网络和子网络;
通过所述子网络对所述原始图像进行处理获取边缘轮廓信息;
通过所述主网络对所述原始图像进行处理获取第一图像特征,并根据所述第一图像特征和所述边缘轮廓信息获取图像语义分割结果。
根据本发明的另一方面,提供了一种图像语义分割装置,包括:原始图像输入模块,用于将原始图像分别输入主网络和子网络;
边缘轮廓信息获取模块,通过所述子网络对所述原始图像进行处理获取边缘轮廓信息;
图像语义分割结果获取模块,用于通过所述主网络对所述原始图像进行处理获取第一图像特征,并根据所述第一图像特征和所述边缘轮廓信息获取图像语义分割结果。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
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计算机程序,所述计算机程序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本发明任一实施例所述的方法。
根据本发明的另一方面,提供了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指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的方法。
本发明实施例的技术方案,通过增加子网络获取原始图像的边缘轮廓信息,在主网络提取到原始图像的第一图像特征之后,通过将边缘轮廓信息添加到第一图像特征中,从而减少了采样过程中图像特征的丢失,从而使得图像语义分割的结果更加准确。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明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
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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发明的一些实施例,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是根据本发明实施例一提供的图像语义分割方法的流程图;
图2是根据本发明实施例一提供的主网络和子网络的结构示意图;
图3是根据本发明实施例二提供的一种图像语义分割方法的流程图;
图4是根据本发明实施例三提供的一种图像语义分割装置的结构示意图;
图5是实现本发明实施例的四提供的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种图像语义分割方法的流程图,本实施例可适用于对原始图像进行语义分割的情况,该方法可以由图像语义分割装置来执行,该装置可以采用硬件和/或软件的形式实现。如图1所示,该方法包括:
步骤S101,将原始图像分别输入主网络和子网络。
具体的说,如图2所示,为本实施方式中的主网络和子网络的结构示意图,并且在主网络和子网络中都包含上采样分支和下采样分支,从左到右依次为主网络上采样分支、子网络上采样分支、子网络下采样分支和主网络下采样分支,并且每个分支中分别包含不同的网络结构,例如,在主网络上采样分支中包含上采样层和卷积层,在子网络上采样分支中包含上采样层和卷积层,在子网络下采样分支中包含卷积层和池化层,在主网络下采样分支中包含卷积层和池化层。当然,在每个分支中还可以包括池化层或ReLU激活函数层,在图中未进行标识。
其中,图2中的Conv f×f,c,/s”表示该层为卷积层,网络的卷积核大小为f、输出通道数为c以及卷积核步长s为默认值1。在每一层卷积层后,都会通过一层批量标准化层(BatchNormalization,BN)来标准化卷积输出,以及一个ReLU函数作为激活函数,来避免梯度爆炸和梯度消失问题。接着通过使用“MaxPool f×f,/s”来表示最大池化层,f表示池化层的下采样因子,s表示池化层的步长,默认值为2。“Up-sample×n”用来表示上采样层,n是上采样层的上采样因子,上采样层使用的插值方法是双线性插值。
值得一提的是,本实施方式中将需要进行语义分割的原始图像信息分别输入主网络和子网络,并通过主网络和子网络分别对原始图像进行处理,当然,本实施方式中,主网络和子网络分别以五次采样为例进行说明,而在实际应用中并不限定采样次数,只要主网络和子网络的采样次数是相同的,则都在本申请的保护范围内,本实施方式中并不对其进行限定。
步骤S102,通过子网络对原始图像进行处理获取边缘轮廓信息。
可选的,通过子网络对原始图像进行处理获取边缘轮廓信息,包括:通过子网络对原始图像进行下采样获取第二图像特征;对第二图像特征进行图像分辨率调整以获取边缘轮廓信息。
可选的,通过子网络对原始图像进行下采样获取第二图像特征,包括:通过子网络下采样分支的卷积层对原始图像进行处理获取第一卷积结果;通过子网络下采样分支的池化层对第一卷积结果进行处理,获取第二图像特征。
可选的,对第二图像特征进行图像分辨率调整以获取边缘轮廓信息,包括:通过子网络上采样分支的卷积层对第二图像特征进行处理获取第二卷积结果;通过子网络上采样分支的上采样层对第二卷积结果进行图像分辨率调整,以获取边缘轮廓信息。
具体的说,本实施方式中在通过子网络提取原始图像的图像特征时,是通过下采样分支的卷积层和池化层逐步进行提取的,本实施方式中以5次处理过程为例,并且在每次处理过程中分别涉及到卷积运算和池化运算,因此在一次处理过程中涉及一个卷积层和一个池化层,并且各处理过程中所涉及的卷积层的卷积核以及输出通道数是相同的,例如,卷积核为3,输出通道为32。当然,本实施方式中仅是举例说明,而并不对卷积核和输出通道的具体数量进行限定。由于子网络的每次处理过程大致相同,因此本实施方式中仅是以一次处理过程为例进行说明,通过卷积层对原始图像进行处理获取第一卷积结果,再通过池化层对第一卷积结果进行处理,获取第二图像特征。由于在下采样分支每次对原始图像进行特征提取的过程中,会造成分辨率的变化,因此针对每次下采样处理过程,在上采样分支中都有对应的卷积层和上采样层对提取的第二图像特征进行图像分辨率的调整,并且针对调整结果获取本次处理过程中所对应的边缘轮廓信息。并且通过本实施方式中的上采样分支,通过五次图像分辨率的调整最终获得原始图像多对应的边缘轮廓信息。
步骤S103,通过主网络对原始图像进行处理获取第一图像特征,并根据第一图像特征和边缘轮廓信息获取图像语义分割结果。
可选的,通过主网络对原始图像进行处理获取第一图像特征,包括:通过主网络下采样分支的卷积层和池化层对原始图像进行处理,获取第一图像特征,其中,第一图像特征的特征元素大于第二图像特征的特征元素。
可选的,根据第一图像特征和边缘轮廓信息获取图像语义分割结果,包括:将边缘轮廓信息和第一图像特征进行拼接获取第三图像特征;通过主网络上采样分支的卷积层对第三图像特征进行处理获取第三卷积结果;通过主网络上采样分支的上采样层对第三卷积结果进行处理获取图像语义分割结果。
具体的说,本实施方式中,在通过子网络提取原始图像的图像特征同时,还可以通过主网络对提取原始图像的图像特征,主网络是通过下采样分支的卷积层和池化层对原始图像逐步进行提取,并且主网络下采样分支具体可以是ResNet50。为了与子网络处理过程保持一致,本实施中主网络的处理过程也为5次,在首次处理过程之前先对原始图像进行池化处理,而在之后的每次处理过程中仅涉及到卷积运算,因此在每次处理过程中涉及到多个卷积层,例如,在一次处理过程中涉及到三个卷积层,其中,两个卷积层的卷积核大小相同。并且各处理过程中所涉及的输出通道是不相同的,例如,第1次处理过程中所涉及的三个卷积层的输出通道为64,而第5次处理过程中所涉及的是三个卷积层的输出通道为1024。当然,本实施方式中仅是举例说明,而并不对输出通道的具体数量进行限定。由于主网络的每次处理过程大致相同,因此本实施方式中仅是以一次处理过程为例进行说明,通过主网络下采样分支的卷积层和池化层对原始图像进行处理,获取第一图像特征,由于每次下采样处理过程中,主网络卷积层的输出通道数都要大于子网络卷积层的输出通道数,因此每次下采样处理过程中,子网络所提取的第一图像特征的特征元素,是大于子网络所提取的第二图像特征的特征元素。
其中,由于每次下采样过程中,主网络在特征提取过程中会遗失部分特征,而边缘轮廓特征也是在提取过程中所遗失的,因此在每次处理过程中,为了保证图像语义分割的准确性,在主网络会将所提取的第一图像特征与子网络所获取的边缘轮廓信息进行拼接,以获取当次处理过程中的第三图像信息。之后通过上采样分支的当次处理过程中所涉及的卷积层对第三图像特征进行处理获取第三卷积结果,再通过当次处理过程中所涉及的上采样层对第三卷积结果进行处理获取图像语义分割结果。当然,本实施方式中仅是以单次处理过程为例进行说明,并且每次处理过程中主网络上采样分支、子网络上采样分支、子网络下采样分支和主网络下采样分支中,信息传输都是有交互的,通过5次处理过程所获得的语义分割结果最终确定语义分割图像。而在语义分割图像中包含图像的基本结构,而并不限定于小物体,从而使得图像语义分割的应用更加广泛,并且图像语义分割的结果也更加精准。
本实施方式中,通过增加子网络获取原始图像的边缘轮廓信息,在主网络提取到原始图像的第一图像特征之后,通过将边缘轮廓信息添加到第一图像特征中,从而减少了采样过程中图像特征的丢失,使得图像语义分割的结果更加准确。
实施例二
图4为本发明实施例二提供的一种图像语义分割方法的流程图,本实施例以上述实施例为基础,对上述实施例步骤S203之后增加了对图像语义分割结果进行检验的技术方案,如图3所示,该方法包括:
步骤S201,将原始图像分别输入主网络和子网络。
步骤S202,通过子网络对原始图像进行处理获取边缘轮廓信息。
可选的,通过子网络对原始图像进行处理获取边缘轮廓信息,包括:通过子网络对原始图像进行下采样获取第二图像特征;对第二图像特征进行图像分辨率调整以获取边缘轮廓信息。
可选的,通过子网络对原始图像进行下采样获取第二图像特征,包括:通过子网络下采样分支的卷积层对原始图像进行处理获取第一卷积结果;通过子网络下采样分支的池化层对第一卷积结果进行处理,获取第二图像特征。
步骤S203,通过主网络对原始图像进行处理获取第一图像特征,并根据第一图像特征和边缘轮廓信息获取图像语义分割结果。
可选的,通过主网络对原始图像进行处理获取第一图像特征,包括:通过主网络下采样分支的卷积层和池化层对原始图像进行处理,获取第一图像特征,其中,第一图像特征的特征元素大于第二图像特征的特征元素。
可选的,根据第一图像特征和边缘轮廓信息获取图像语义分割结果,包括:将边缘轮廓信息和第一图像特征进行拼接获取第三图像特征;通过主网络上采样分支的卷积层对第三图像特征进行处理获取第三卷积结果;通过主网络上采样分支的上采样层对第三卷积结果进行处理获取图像语义分割结果。
步骤S204,对图像语义分割结果进行检验,当确定检验结果异常时产生报警信息。
具体的说,本实施方式中在获取的图像语义分割结果之后,还可以对图像语义分割结果进行检验,具体是检测语义分割结果中是否存在明显错误的情况,例如乱码、语义分割结果中存在原始图像中不包含的结构,当然,本实施方式中仅是举例说明,而并不对错误的具体类型进行限定。
其中,当确定图像语义分割结果中包含上述错误情况时,则确定检测结果异常,而出现上述异常的原因可能是网络处理算法出现错误,或者是硬件设备通信出现故障,此时则会生成报警信息,以提示用户及时对网络或硬件结构进行检修,从而进一步提高图像语义分割结果的效率和准确性。其中,报警信息具体可以是图像或语音,本实施方式中并不限定报警信息的具体类型。
本实施方式中,通过增加子网络获取原始图像的边缘轮廓信息,在主网络提取到原始图像的第一图像特征之后,通过将边缘轮廓信息添加到第一图像特征中,从而减少了采样过程中图像特征的丢失,使得图像语义分割的结果更加准确。通过对图像语义分割结果进行检验,并在确定异常时产生报警信息,以提示用户及时对网络或硬件结构进行检修,从而进一步提高图像语义分割结果的效率和准确性。
实施例三
图4为本发明实施例三提供的一种图像语义分割装置的结构示意图。如图4所示,该装置包括:原始图像输入模块310、边缘轮廓信息获取模块320和
其中,原始图像输入模块310,用于将原始图像分别输入主网络和子网络;
边缘轮廓信息获取模块320,通过子网络对原始图像进行处理获取边缘轮廓信息;
图像语义分割结果获取模块330,用于通过主网络对原始图像进行处理获取第一图像特征,并根据第一图像特征和边缘轮廓信息获取图像语义分割结果。
可选的,边缘轮廓信息获取模块,包括:
第二图像特征获取子模块,用于通过子网络对原始图像进行下采样获取第二图像特征;
边缘轮廓信息获取子模块,用于对第二图像特征进行图像分辨率调整以获取边缘轮廓信息。
可选的,第二图像特征获取子模块,用于通过子网络下采样分支的卷积层对原始图像进行处理获取第一卷积结果;
通过子网络下采样分支的池化层对第一卷积结果进行处理,获取第二图像特征。
可选的,边缘轮廓信息获取子模块,用于通过子网络上采样分支的卷积层对第二图像特征进行处理获取第二卷积结果;
通过子网络上采样分支的上采样层对第二卷积结果进行图像分辨率调整,以获取边缘轮廓信息。
可选的,图像语义分割结果获取模块,包括:第一图像特征获取子模块,用于通过主网络下采样分支的卷积层和池化层对原始图像进行处理,获取第一图像特征,
其中,第一图像特征的特征元素大于第二图像特征的特征元素。
可选的,图像语义分割结果获取模块,包括:图像语义分割结果获取子模块,用于将边缘轮廓信息和第一图像特征进行拼接获取第三图像特征;
通过主网络上采样分支的卷积层对第三图像特征进行处理获取第三卷积结果;
通过主网络上采样分支的上采样层对第三卷积结果进行处理获取图像语义分割结果。
可选的,装置还包括图像语义分割结果检验模块,用于对图像语义分割结果进行检验;
当确定检验结果异常时产生报警信息。
本发明实施例所提供的图像语义分割装置可执行本发明任意实施例所提供的数据中心设备维护方法,具备执行方法相应的功能模块和有益效果。
实施例四
图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。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(如头盔、眼镜、手表等)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/或者要求的本发明的实现。
如图5所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10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。
处理器11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。处理器11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处理器、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。处理器11执行上文所描述的各个方法和处理,例如图像语义分割方法。
在一些实施例中,数据中心设备维护方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的数据中心设备维护方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行图像语义分割方法。
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。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。
在本发明的上下文中,计算机可读存储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计算机程序。计算机可读存储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。备选地,计算机可读存储介质可以是机器可读信号介质。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,可以在电子设备上实施此处描述的系统和技术,该电子设备具有: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电子设备。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)、区块链网络和互联网。
计算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。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服务中,存在的管理难度大,业务扩展性弱的缺陷。
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,本发明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,只要能够实现本发明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,并不构成对本发明保护范围的限制。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。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种图像语义分割方法,其特征在于,包括:
将原始图像分别输入主网络和子网络;
通过所述子网络对所述原始图像进行处理获取边缘轮廓信息;
通过所述主网络对所述原始图像进行处理获取第一图像特征,并根据所述第一图像特征和所述边缘轮廓信息获取图像语义分割结果。
2.根据权利要求1所述的方法,其特征在于,所述通过所述子网络对所述原始图像进行处理获取边缘轮廓信息,包括:
通过所述子网络对所述原始图像进行下采样获取第二图像特征;
对所述第二图像特征进行图像分辨率调整以获取所述边缘轮廓信息。
3.根据权利要求2所述的方法,其特征在于,所述通过所述子网络对所述原始图像进行下采样获取第二图像特征,包括:
通过所述子网络下采样分支的卷积层对所述原始图像进行处理获取第一卷积结果;
通过所述子网络下采样分支的池化层对所述第一卷积结果进行处理,获取所述第二图像特征。
4.根据权利要求3所述的方法,其特征在于,所述对所述第二图像特征进行图像分辨率调整以获取所述边缘轮廓信息,包括:
通过所述子网络上采样分支的卷积层对所述第二图像特征进行处理获取第二卷积结果;
通过所述子网络上采样分支的上采样层对所述第二卷积结果进行图像分辨率调整,以获取所述边缘轮廓信息。
5.根据权利要求2所述的方法,其特征在于,所述通过所述主网络对所述原始图像进行处理获取第一图像特征,包括:
通过所述主网络下采样分支的卷积层和池化层对所述原始图像进行处理,获取所述第一图像特征,
其中,所述第一图像特征的特征元素大于所述第二图像特征的特征元素。
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和所述边缘轮廓信息获取图像语义分割结果,包括:
将所述边缘轮廓信息和所述第一图像特征进行拼接获取第三图像特征;
通过所述主网络上采样分支的卷积层对所述第三图像特征进行处理获取第三卷积结果;
通过所述主网络上采样分支的上采样层对所述第三卷积结果进行处理获取所述图像语义分割结果。
7.根据权利要求1至6任一项所述的方法,其特征在于,所述根据所述第一图像特征和所述边缘轮廓信息获取图像语义分割结果之后,还包括:
对所述图像语义分割结果进行检验;
当确定检验结果异常时产生报警信息。
8.一种图像语义分割装置,其特征在于,包括:
原始图像输入模块,用于将原始图像分别输入主网络和子网络;
边缘轮廓信息获取模块,通过所述子网络对所述原始图像进行处理获取边缘轮廓信息;
图像语义分割结果获取模块,用于通过所述主网络对所述原始图像进行处理获取第一图像特征,并根据所述第一图像特征和所述边缘轮廓信息获取图像语义分割结果。
9.一种电子设备,其特征在于,所述电子设备包括:
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计算机程序,所述计算机程序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。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211294039.XA CN115564955A (zh) | 2022-10-21 | 2022-10-21 | 一种图像语义分割方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211294039.XA CN115564955A (zh) | 2022-10-21 | 2022-10-21 | 一种图像语义分割方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115564955A true CN115564955A (zh) | 2023-01-03 |
Family
ID=84767678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211294039.XA Pending CN115564955A (zh) | 2022-10-21 | 2022-10-21 | 一种图像语义分割方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115564955A (zh) |
-
2022
- 2022-10-21 CN CN202211294039.XA patent/CN115564955A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114792355B (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
CN114913325B (zh) | 语义分割方法、装置及计算机程序产品 | |
CN113920313B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN113378855A (zh) | 用于处理多任务的方法、相关装置及计算机程序产品 | |
CN113365146A (zh) | 用于处理视频的方法、装置、设备、介质和产品 | |
CN115409855A (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN113570608B (zh) | 目标分割的方法、装置及电子设备 | |
CN114202648A (zh) | 文本图像矫正方法、训练方法、装置、电子设备以及介质 | |
CN114218931A (zh) | 信息抽取方法、装置、电子设备和可读存储介质 | |
CN113888560A (zh) | 用于处理图像的方法、装置、设备以及存储介质 | |
CN113724398A (zh) | 增强现实方法、装置、设备以及存储介质 | |
CN115564955A (zh) | 一种图像语义分割方法、装置、设备和存储介质 | |
CN113642654B (zh) | 图像特征的融合方法、装置、电子设备和存储介质 | |
CN114943995A (zh) | 人脸识别模型的训练方法、人脸识别方法及装置 | |
CN114078097A (zh) | 图像去雾模型的获取方法、装置和电子设备 | |
CN114581711A (zh) | 目标对象检测方法、装置、设备、存储介质以及程序产品 | |
CN114445682A (zh) | 训练模型的方法、装置、电子设备、存储介质及产品 | |
CN114429548A (zh) | 图像处理方法、神经网络及其训练方法、装置和设备 | |
CN114549535A (zh) | 一种图像分割方法、装置、设备、存储介质及产品 | |
CN110633595B (zh) | 一种利用双线性插值的目标检测方法和装置 | |
CN113362428B (zh) | 用于配置颜色的方法、装置、设备、介质和产品 | |
CN114998273A (zh) | 血管图像处理方法、装置、电子设备及存储介质 | |
CN116306895A (zh) | 图像分类模型的训练方法、装置、电子设备及存储介质 | |
CN115601612A (zh) | 图像预测模型训练方法、装置、电子设备及存储介质 | |
CN116862638A (zh) | 一种系统差异的适配方法、装置、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 |