【技术实现步骤摘要】
图像处理方法、装置及计算机存储介质
本专利技术涉及图像处理
，更具体地，涉及一种图像处理方法、一种图像处理装置以及一种计算机存储介质。
技术介绍
图像的语义分割已成为计算机视觉的三大任务之一，其目标是对图像中的每一像素进行分类，最终将图像分割成一个个具有不同语义含义的区域。正是基于此，图像的语义分割在医学图像分析、自动驾驶、场景理解等领域具有广泛的应用。目前，通常利用结构复杂的神经网络算法实现图像的语义分割。由于结构复杂的神经网络算法的计算量大，因此，只有利用具备强大的GPU能力的计算机运行结构复杂的神经网络算法，才能实现实时的图像的语义分割。为了能够利用普通的计算机实现实时的图像的语义分割，通常采用结构较为简单的神经网络算法，但是这使得图像的语义分割的分割精度降低。
技术实现思路
本专利技术的一个目的是提供一种用于语义分割的新技术方案。根据本专利技术的第一方面，提供了一种图像处理方法，包括：提取目标图像的不同尺度的特征图组，其中，同一特征图组中的各个特征图具有相同的...
【技术保护点】
1.一种图像处理方法，其特征在于，包括：/n提取目标图像的不同尺度的特征图组，其中，同一特征图组中的各个特征图具有相同的尺度；/n对所有所述特征图组分别进行同尺度特征融合，获得对应的第一融合特征图；/n将每一所述第一融合特征图放大至所述不同尺度中的最大尺度，并对所有放大后的所述第一融合特征图进行同尺度特征融合，得到第二融合特征图；/n根据所述第二融合特征图，获得所述目标图像的语义分割结果。/n
【技术特征摘要】
1.一种图像处理方法，其特征在于，包括：
提取目标图像的不同尺度的特征图组，其中，同一特征图组中的各个特征图具有相同的尺度；
对所有所述特征图组分别进行同尺度特征融合，获得对应的第一融合特征图；
将每一所述第一融合特征图放大至所述不同尺度中的最大尺度，并对所有放大后的所述第一融合特征图进行同尺度特征融合，得到第二融合特征图；
根据所述第二融合特征图，获得所述目标图像的语义分割结果。
2.根据权利要求1所述的方法，其特征在于，所述提取目标图像的不同尺度的特征图组，包括：
将所述目标图像输入至卷积神经网络中，以获取所述目标图像对于所述不同尺度中每一尺度的第一特征图；
对于每一尺度，将所有所述第一特征图缩放至对应尺度，得到对应尺度的特征图组。
3.根据权利要求2所述的方法，所述将所述目标图像输入至卷积神经网络中，以获取所述目标图像对于所述不同尺度中每一尺度的第一特征图的步骤，包括：
将所述目标图像输入至卷积神经网络中，获得包含所述不同尺度的第一特征图的候选集合；
对于所述候选集合中存在的尺度相同的多个第一特征图，选择最大深度的第一特征图作为对应尺度的第一特征图；
将所述候选集合中存在除所述尺度相同的多个第一特征图外的第一特征图中的每一个，作为对应尺度的第一特征图。
4.根据权利要求2所述的方法，其特征在于，所述对于每一尺度，将所有所述第一特征图缩放至对应尺度，包括：
对于每一尺度，对大于对应尺度的第一特征图进行平均池化，以将大于对应尺度的第一特征图缩小至对应尺度；
对于每一尺度，对小于对应尺度的第一特征图进行上采样，以将小于对应尺度的第一特征图放大至对应尺度；
对于每一尺度，对等于对应尺度的第一特征图进行缩放系数为1的缩放。
5.根据权利要求2所述的方法，其特征在于，所述卷积神经网络为轻量级神经网络。
6.根据权利要求1所述的方法，其特征在于，所述进行同尺度特征融合，包括：
按照通道数串联待融合特征图集合中的所有特征图，得到第二特征图；其中，所述待融合特征图集合为每一所述特征图组，或者包括所有所述第一融合特征图；
利用1*1的卷积减小所述第二特征图的通道数，及利用可分离卷积，对减小通道数后的第二特征图进行特征融合，得到融合后的第二特征图；
根据融合后的第二特征图，获得与所述待融合特征图对应的融合特征图。
7.根据权利要求...
【专利技术属性】
技术研发人员：梁晓辉，卢杨，于洋，王平平，冷芝莹，
申请(专利权)人：北京航空航天大学青岛研究院，
类型：发明
国别省市：山东;37
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。