基于稀疏特征的深度学习图像分割方法及装置制造方法及图纸

技术编号:22755754 阅读:25 留言:0更新日期:2019-12-07 04:15
本申请提出一种基于稀疏特征的深度学习图像分割方法及装置,该方法通过将带有分割标注信息的原始图像输入到待训练的图像分割神经网络中,对原始图像进行特征提取获取小于原始图像尺寸的目标特征图像,结合目标特征图像上每个分割目标点的坐标信息和坐标补偿信息,获取与原始图像对应的包含语义信息的分割结果,训练图像分割神经网络,得到图像分割神经网络的网络参数,并通过具有网络参数的图像分割神经网络对待处理的目标图像进行图像分割。由此通过改进图像分割神经网络的结构,并基于小于原始图像尺寸的目标特征图像训练图像分割神经网络,减少图像分割神经网络所需要计算量,减少训练图像分割神经网络所需的训练时间,提高了训练效率。

Deep learning image segmentation method and device based on sparse feature

This application proposes a deep learning image segmentation method and device based on sparse features. The method inputs the original image with segmentation annotation information into the image segmentation Neural Network to be trained, extracts the features of the original image to obtain the target feature image smaller than the original image size, and combines the coordinate information and sitting of each segmentation target point on the target feature image Mark compensation information, obtain the segmentation results containing semantic information corresponding to the original image, train the image segmentation Neural Network, obtain the network parameters of the image segmentation Neural Network, and segment the image of the target image to be processed by the image segmentation Neural Network with network parameters. Therefore, by improving the structure of image segmentation Neural Network and training image segmentation Neural Network Based on the target feature image smaller than the original image size, the amount of calculation required by image segmentation Neural Network is reduced, the training time required by training image segmentation Neural Network is reduced, and the training efficiency is improved.

【技术实现步骤摘要】
基于稀疏特征的深度学习图像分割方法及装置
本申请涉及计算机
,尤其涉及一种基于稀疏特征的深度学习图像分割方法及装置。
技术介绍
图像分割是计算机视觉的一项核心技术,在无人驾驶、机器人导航、图像识别等应用场合均有着重要的作用。图像分割的主要目的是,把图像划分成若干的互相没有重合的区域,主要应用于对人像、动物以及自然场景以及各种带有明显语义信息的事物的分割。目前,主流的图像分割算法是通过深度学习分割框架对图像进行分割,且已经取得了较好的效果。其中,深度学习分割框架对图像进行分割大致过程为:将待分割图像输入到深度学习分割框架中,通过卷积神经网络对待分割图像进行下采样,得到较小尺寸的下采样特征图,随后将较小尺寸的下采样特征图,逐步上采样到与待分割图像尺寸相同的上采样特征图像,并根据上采样特征图像得到分割结果。相关技术中,在通过应深度学习分割框架进行图像分割之前,需要通过训练图像对深度学习分割框架进行训练,然而,在实现本申请的过程中,专利技术人发现在训练上述深度学习分割框架的过程中,由于待训练的深度学习分割框架需要将训练图像本文档来自技高网...

【技术保护点】
1.一种基于稀疏特征的深度学习图像分割方法,其特征在于,包括以下步骤:/n将带有分割标注信息的原始图像输入到待训练的图像分割神经网络,对所述原始图像进行特征提取获取目标特征图像,其中,所述目标特征图像的第二尺寸小于所述原始图像的第一尺寸;/n获取与所述目标特征图像上每个分割目标点对应的坐标补偿信息;/n根据所述目标特征图像上每个分割目标点的坐标信息和所述对应的坐标补偿信息,获取与所述原始图像对应的包含语义信息的分割结果,训练所述图像分割神经网络,当训练结束后获取所述图像分割神经网络的网络参数;/n将待处理的目标图像输入到具有所述网络参数的图像分割神经网络,获取与所述目标图像对应的包含语义信息的...

【技术特征摘要】
1.一种基于稀疏特征的深度学习图像分割方法,其特征在于,包括以下步骤:
将带有分割标注信息的原始图像输入到待训练的图像分割神经网络,对所述原始图像进行特征提取获取目标特征图像,其中,所述目标特征图像的第二尺寸小于所述原始图像的第一尺寸;
获取与所述目标特征图像上每个分割目标点对应的坐标补偿信息;
根据所述目标特征图像上每个分割目标点的坐标信息和所述对应的坐标补偿信息,获取与所述原始图像对应的包含语义信息的分割结果,训练所述图像分割神经网络,当训练结束后获取所述图像分割神经网络的网络参数;
将待处理的目标图像输入到具有所述网络参数的图像分割神经网络,获取与所述目标图像对应的包含语义信息的分割结果。


2.如权利要求1所述的方法,其特征在于,在对所述原始图像进行特征提取获取目标特征图像之前,还包括:
获取图像分割的场景特征信息;
根据所述场景特征信息确定所述目标特征图像的第二尺寸与所述原始图像的第一尺寸之间的比值。


3.如权利要求1所述的方法,其特征在于,所述对所述原始图像进行特征提取获取目标特征图像,包括:
根据预设的下采样倍数对所述原始图像进行多层特征提取获取下采样特征图像;
根据预设的上采样倍数对所述下采样特征图像进行插值处理获取目标特征图像。


4.如权利要求1所述的方法,其特征在于,所述获取与所述目标特征图像上每个分割目标点对应的坐标补偿信息,包括:
根据所述原始图像的第一尺寸与所述目标特征图像的第二尺寸确定所述原始图像的缩小倍数;
根据所述原始图像中每个分割目标点的原始坐标信息和所述缩小倍数,确定每个分割目标点对应的坐标补偿信息。


5.如权利要求1所述的方法,其特征在于,所述根据所述目标特征图像上每个分割目标点的坐标信息和所述对应的坐标补偿信息,获取与所述原始图像对应的包含语义信息的分割结果,训练所述图像分割神经网络,包括:
根据所述原始图像的第一尺寸与所述目标特征图像的第二尺寸确定所述原始图像的缩小倍数;
将所述目标特征图像上每个分割目标点的坐标信息乘以所述缩小倍数获取第一回归坐标信息;
将所述第一回归坐标信息和所述对应的坐标补偿信息进行相加获取第二回归坐标信息;
确定与所述第二回归坐标信息对应的语义信息分割结果;
根据所述目标特征图像上每个分割目标点对应的语义信息分割结果,与所述原始图像中第二回归坐标信息对应的语义信息分割结果,对所述图像分割神经网络进行训练。


6.一种基于稀疏特征的深度学习图像分割装置,其特征在于,包括:
特征提取模块,用于将带有分割标注信息的原始图像...

【专利技术属性】
技术研发人员:谷硕李浩
申请(专利权)人:北京百度网讯科技有限公司
类型:发明
国别省市:北京;11

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1