一种基于分割网络优化的图像语义分割方法及系统.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CN113283434A(43)申请公布日2021.08.20(21)申请号202110394333.7(22)申请日2021.04.13(71)申请人北京工业大学地址100022北京市朝阳区平乐园100号(72)发明人李建强彭浩然吕思锐(74)专利代理机构北京路浩知识产权代理有限公司11002代理人王宇杨(51)Int.Cl.G06K9/34(2006.01)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9页附图3页(54)发明名称一种基于分割网络优化的图像语义分割方法及系统(57)摘要本发明实施例提供一种基于分割网络优化的图像语义分割方法及系统，其中方法包括：确定待语义分割的图像；将所述图像输入至分割网络优化模型中，得到所述分割网络优化模型输出的图像语义分割结果；其中，所述分割网络优化模型是基于样本图像以及对应的像素类别标注进行多阶段损失函数训练后得到的，所述像素类别标注是预先确定的。本发明解决了现有传统的语义分割模型的训练方法不能很好地勾勒出分割部分的边界，对超声图像进行分割时经常出现不圆滑的边界和锯齿状边界的现象问题。CN113283434ACN113283434A权利要求书1/2页1.一种基于分割网络优化的图像语义分割方法，其特征在于，包括：确定待语义分割的图像；将所述图像输入至分割网络优化模型中，得到所述分割网络优化模型输出的图像语义分割结果；其中，所述分割网络优化模型是基于样本图像以及对应的像素类别标注进行多阶段损失函数训练后得到的，所述像素类别标注是预先确定的。2.根据权利要求1所述的基于分割网络优化的图像语义分割方法，其特征在于，所述分割网络优化模型包括主干特征提取模型、加强特征提取模型和预测模型；将所述图像输入至分割网络优化模型中，得到所述分割网络优化模型输出的图像语义分割结果，包括：将所述图像输入所述主干特征提取模型，输出多个有效特征层的图像特征；将所述多个有效特征层的图像特征输入所述加强特征提取模型，输出所有有效特征层的图像融合特征；将所述所有有效特征层的图像融合特征输入所述预测模型，输出所述图像的语义分割结果。3.根据权利要求2所述的基于分割网络优化的图像语义分割方法，其特征在于，所述加强特征提取模型是将样本图像以及对应的像素类别标注分批次后作为训练样本训练卷积神经网络的多阶段损失函数，并根据每批次的训练样本对应的所述多阶段损失函数的损失loss值集合更新所述卷积神经网络的网络参数后得到的。4.根据权利要求3所述的基于分割网络优化的图像语义分割方法，其特征在于，所述根据每批次的训练样本对应的所述多阶段损失函数的损失loss值集合更新所述卷积神经网络的网络参数，包括：基于网络评定标准参数的设定或手动依次对所述多阶段损失函数进行调控切换，得到每批次的训练样本对应的所述多阶段损失函数的损失loss值集合；依批次基于所述多阶段损失函数的损失loss值集合的最小loss值持续优化所述卷积神经网络的网络参数。5.根据权利要求1或3或4所述的基于分割网络优化的图像语义分割方法，其特征在于，所述多阶段损失函数包括diceloss和CEloss组合的第一阶段损失函数、diceloss、CEloss和Boundaryloss组合的第二阶段损失函数及Borderconcernloss的第三阶段损失函数。6.根据权利要求5所述的基于分割网络优化的图像语义分割方法，其特征在于，所述Borderconcernloss的第三阶段损失函数如下：若q不属于G，则若q属于G，则2CN113283434A权利要求书2/2页其中，G是标签信息的区域，S是预测区域，ΔS＝||G‑S||，是G和S的并集减去交集的部分，q是ΔS上任意一点，Ω属于0到1，是区域的二进制指示符函数，当q属于S区域，则s(q)＝1，否则s(q)＝0，为G区域边界上最接近q的点。7.一种基于分割网络优化的图像语义分割系统，其特征在于，包括图像确定单元和图像语义分割单元；图像确定单元，用于确定待语义分割的图像；图像语义分割单元，用于将所述图像输入至分割网络优化模型中，得到所述分割网络优化模型输出的图像语义分割结果；其中，所述分割网络优化模型是基于样本图像以及对应的像素类别标注进行多阶段损失函数训练后得到的，所述像素类别标注是预先确定的。8.根据权利要求7所述的基于分割网络优化的图像语义分割系统，其特征在于，所述图像语义分割单元包括主干特征提取模块、加强特征提取模块和预测模块；所述主干特征提取模块，用于基于确定的所述图像得到多个有效特征层的图像特征；所述加强特征提取模块，用于基于所述多个有效特