一种图像分割的方法、系统、设备及可读存储介质技术方案

本申请公开了一种图像分割的方法，包括：获取原始图像集；利用骨干网络对所述原始图像集进行特征提取，得到特征图集；利用通道抽取融合模型对所述特征图集进行通道抽取融合处理，得到增强特征图集；利用预设卷积神经网络对所述增强特征图集进行分割，得到图像分割结果。本申请通过利用通道抽取融合模型对所述特征图集进行通道抽取融合处理，得到增强特征图集，使得得到的增强特征图集特征更明显，而且减少了输入通道数，在降低图像分割过程中的计算量的同时，又提高了分割精度。本申请同时还提供了一种图像分割的系统、设备及可读存储介质，具有上述有益效果。

An image segmentation method, system, device and readable storage medium

【技术实现步骤摘要】
一种图像分割的方法、系统、设备及可读存储介质
本申请涉及图像分割领域，特别涉及一种图像分割的方法、系统、设备及可读存储介质。
技术介绍
图像分割(imagesegmentation)技术是计算机视觉领域的重要的研究方向，是图像语义理解的重要一环。图像分割是指将图像分成若干具有相似性质的区域的过程，近些年，图像分割技术有了突飞猛进的发展，该技术相关的场景物体分割、人体前背景分割、人脸人体解析、三维重建等技术已经在无人驾驶、增强现实、安防监控等行业都得到广泛的应用。众所周知，深度学习来解决图片分类、图像分割和物体检测等计算机视觉领域的问题并且取得了巨大的成功。近年来涌现出了很多优秀的卷积神经网络模型。然而这些模型大部分计算量和大小都很大，只能用于服务器端并且需要高性能GPU加速才能运行，然而智能手机等移动设备对深度学习有着巨大的需求。因此，如何降低图像分割过程中的计算量并提高分割精度是本领域技术人员目前需要解决的技术问题。
技术实现思路
本申请的目的是提供一种图像分割的方法、系统、设备及可读存储介质，用于降低图像本文档来自技高网...

【技术保护点】
1.一种图像分割的方法，其特征在于，包括：/n获取原始图像集；/n利用骨干网络对所述原始图像集进行特征提取，得到特征图集；/n利用通道抽取融合模型对所述特征图集进行通道抽取融合处理，得到增强特征图集；/n利用预设卷积神经网络对所述增强特征图集进行分割，得到图像分割结果。/n

【技术特征摘要】
1.一种图像分割的方法，其特征在于，包括：
获取原始图像集；
利用骨干网络对所述原始图像集进行特征提取，得到特征图集；
利用通道抽取融合模型对所述特征图集进行通道抽取融合处理，得到增强特征图集；
利用预设卷积神经网络对所述增强特征图集进行分割，得到图像分割结果。


2.根据权利要求1所述的方法，其特征在于，当所述通道抽取融合模型包括第一通道抽取融合子模型时，利用通道抽取融合模型对所述特征图集进行通道抽取融合处理，得到增强特征图集，包括：
启动所述第一通道抽取融合子模型的第一通道选择流程，对所述特征图集进行通道选择，得到第一增强特征子图集；
启动所述第一通道抽取融合子模型的第一特征提取流程，对所述特征图集进行特征提取，得到第二增强特征子图集；
对所述第一增强特征子图集和所述第二增强特征子图集按照通道进行叠加，得到所述增强特征图集。


3.根据权利要求2所述的方法，其特征在于，所述启动所述第一通道抽取融合子模型的第一通道选择流程，对所述特征图集进行通道选择，得到第一增强特征子图集，包括：
计算所述特征图集中每个特征图的特征向量；
利用激活函数根据每个所述特征向量计算每个所述特征图的权重值；
对每个所述权重值按照由大到小的顺序进行排序，并选择排名在前预设比例内的权重值作为增强权重值；
按照每个所述增强权重值对应的通道位置选取每个所述特征图对应的通道并相乘，得到所述第一增强特征子图集。


4.根据权利要求2所述的方法，其特征在于，所述启动所述第一通道抽取融合子模型的第一特征提取流程，对所述特征图集进行特征提取，得到第二增强特征子图集，包括：
读取每个所述特征图的权重值，并根据每个所述权重值确定每个通道的抽取概率；
按照每个所述通道的抽取概率抽取预设比例的通道作为增强通道，并确定所述增强通道对应的特征图作为增强特征图；
对每个所述增强特征图进行特征提取，得到特征向量；
利用激活函数根据每个所述特征向量计算每个所述增强特征图的权重值；
按照每个所述权重值对应的通道位置选取每个所述增强特征图对应的通道并相乘，得到所述第二增强特征子图集。


5.根据权利要求1所述的方法，其特征在于，当所述通道抽取融合模型包括第二通道抽取融合子模型时，利用通道抽取融合模型对所述特征图集进...

【专利技术属性】
技术研发人员：王立，郭振华，吴楠，赵雅倩，
申请(专利权)人：苏州浪潮智能科技有限公司，
类型：发明
国别省市：江苏;32