图像分割方法、装置、存储介质及电子设备.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113822901A(43)申请公布日2021.12.21(21)申请号202110827410.3G06N20/00(2019.01)(22)申请日2021.07.21(71)申请人南京旭锐软件科技有限公司地址210012江苏省南京市雨花台区软件大道109号4栋601室(72)发明人杜松王邦军杨怀宇李磊(74)专利代理机构北京东方亿思知识产权代理有限责任公司11258代理人赵秀芹(51)Int.Cl.G06T7/11(2017.01)G06K9/46(2006.01)G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书8页附图7页(54)发明名称图像分割方法、装置、存储介质及电子设备(57)摘要本申请公开了一种图像分割方法、装置、存储介质及电子设备，其中，图像分割方法包括：获取待分割图像；将待分割图像输入训练好的机器学习模型的特征提取网络中，提取待分割图像第一层级特征和第二层级特征，第一层级特征为特征尺度超过预设特征尺度的特征，第二层级特征为小于或等于预设特征尺度的特征；利用训练好的机器学习模型的特征分类网络将第一层级特征合并到底层语义特征，得到第三层级特征，并根据第三层级特征和第二层级特征预测感受野范围内的目标类别；将目标类别所有特征点预测的预测置信度作为低分辨分割结果图，并进行插值缩放到待分割图像的尺寸，得到目标分割图；从目标分割图像提取目标分割轮廓坐标和置信度，并进行分割。CN113822901ACN113822901A权利要求书1/2页1.一种图像分割方法，其特征在于，包括：获取待分割图像；将所述待分割图像输入训练好的机器学习模型的特征提取网络中，提取所述待分割图像第一层级特征和第二层级特征，所述第一层级特征为特征尺度超过预设特征尺度的特征，所述第二层级特征为小于或等于所述预设特征尺度的特征；利用所述训练好的机器学习模型的特征分类网络将所述第一层级特征合并到底层语义特征，得到第三层级特征，并根据所述第三层级特征和第二层级特征预测感受野范围内的目标类别；将所述目标类别所有特征点预测的预测置信度作为低分辨分割结果图，并进行插值缩放到所述待分割图像的尺寸，得到目标分割图；从所述目标分割图像提取目标分割轮廓坐标和置信度；根据所述目标分割轮廓坐标对所述待分割图像进行分割。2.根据权利要求1所述的方法，其特征在于，所述训练好的机器学习模型包括：特征提取网络和特征分类网络；所述训练好的机器学习模型是通过下述方法训练得到的：获取训练图像；利用矩形框对所述训练图像进行标注，得到带标注图像训练集；利用所述带标注图像训练集对机器学习模型进行训练和测试，得到所述训练好的机器学习模型。3.根据权利要求2所述的方法，其特征在于，在所述利用矩形框对所述训练图像进行标注，得到带标注图像训练集之后，所述方法还包括：利用高斯模糊将所述带标注图像训练集中训练图像的标注进行降噪处理，得到伪掩膜标注。4.根据权利要求3所述的方法，其特征在于，所述利用所述带标注图像训练集对机器学习模型进行训练和测试，得到所述训练好的机器学习模型，包括：利用机器学习模型的特征提取网络提取所述带标注图像训练集中训练图像的特征；利用所述机器学习模型的特征分类网络对所述特征进行融合及分类，得到分类特征；利用所述伪掩膜标注计算所述分类特征的分类损失，并利用所述伪掩膜标注计算标注区域在水平方向和竖直方向的投影损失；根据所述分类损失和所述投影损失计算总损失；利用总损失对所述机器学习模型进行梯度下降优化，得到所述训练好的机器学习模型。5.根据权利要求1‑4任一项所述的方法，其特征在于，所述将所述目标类别所有特征点预测的预测置信度作为低分辨分割结果图，并进行插值缩放到所述待分割图像的尺寸，得到目标分割图，包括：将所述目标类别所有特征点预测的预测置信度作为低分辨分割结果图，并进行插值缩放到所述待分割图像的尺寸，得到目标分割图；对所述待分割图像进行提取和标记处理，得到分割框坐标及预测结果置信度。6.一种图像分割装置，其特征在于，包括：2CN113822901A权利要求书2/2页获取模块，用于获取待分割图像；特征提取模块，用于将所述待分割图像输入训练好的机器学习模型的特征提取网络中，提取所述待分割图像第一层级特征和第二层级特征，所述第一层级特征为特征尺度超过预设特征尺度的特征，所述第二层级特征为小于或等于所述预设特征尺度的特征；分类模块，用于利用所述训练好的机器学习模型的特征分类网络将所述第一层级特征合并到底层语义特征，得到第三层级特征，并根据所述第三层级特征和第二层级特征预测感受野范围内的目标类别；插值模块，用于将将所述目标类别所有特征点预测的预测置信