图像实例分割结果的获取方法及装置制造方法及图纸

本公开实施例公开了一种图像实例分割结果的获取方法及装置，属于图像处理技术领域，本公开实施例首先确定待实例分割图像中的目标对象，在计算出目标对象对应候选框中类别的得分之后，还进一步计算出目标对象对应候选框中像素点的得分，然后根据目标对象对应候选框中类别的得分，以及目标对象对应候选框中像素点的得分，计算待实例分割图像的实例分割结果。由于每个像素点的得分表示该像素点与其相关联的候选框中的类别为目标对象的可能性，因此相对于现有技术直接将得分最高的类别的得分作为待实例分割图像的实例分割结果，本公开实施例对目标对象的预测更准确。

【技术实现步骤摘要】
图像实例分割结果的获取方法及装置
本公开实施例涉及图像处理
，尤其涉及一种图像实例分割结果的获取方法及装置。
技术介绍
现有技术中，通常采用分类器打分的方式对待实例分割图像中的目标对象进行处理，进而获得目标对象对应候选框中类别的得分，以用于对目标对象的预测。然而，通过分类器打分只是目标对象对应对候选框中的类别进行打分，如果对目标对象对应对候选框中的类别分类不准确，则可能会导致用一个比较高的类别的得分计算出一个不准确的实例分割结果，从而导致对目标对象的预测精确度不高。
技术实现思路
本公开实施例提供一种图像实例分割结果的获取方法及装置，以解决现有技术中对目标对象的预测精确度不高的问题。第一方面，本公开实施例提供了一种图像实例分割结果的获取方法，包括如下步骤：确定待实例分割图像中的目标对象；基于待实例分割图像，得到目标对象对应候选框中类别的得分，以及目标对象对应候选框中像素点的得分；基于目标对象对应候选框中类别的得分，以及目标对象对应候选框中像素点的得分，得到待实例分割图像的实例分割结果。可选的，基于待实例分割图像，得到目标对象对应候选框中类别的得分，以及目标对象对应候选框中像素点的得分包括：将待实例分割图像输入预设神经网络，得到目标对象对应候选框中类别的得分；基于目标对象对应候选框中类别的得分，得到目标对象对应候选框中像素点的得分。可选的，在基于目标对象对应候选框中类别的得分，得到目标对象对应候选框中像素点的得分之后，还包括：获取目标对象对应候选框中满足预设像素点筛选条件的像素点的得分；基于目标对象对应候选框中类别的得分，以及目标对象对应候选框中像素点的得分，得到实例分割的得分结果包括：基于目标对象对应候选框中类别的得分，以及目标对象对应候选框中满足预设像素点筛选条件的像素点的得分，得到实例分割的得分结果。可选的，获取目标对象对应候选框中满足预设像素点筛选条件的像素点的得分包括：获取目标对象对应候选框中所在位置满足预设位置的像素点，和/或获取目标对象对应候选框中得分满足预设得分阈值区间内的像素点。可选的，预设得分阈值区间至少包括第一预设得分阈值区间和第二预设得分阈值区间，图像实例分割结果的获取方法还包括：确定获取目标对象对应候选框中得分满足第一预设得分阈值区间和/或满足第二预设得分阈值区间的像素点；为满足第一预设得分阈值区间和/或满足第二预设得分阈值区间的像素点分配对应的评估系数。可选的，根据如下公式计算待实例分割图像的实例分割结果：其中，xi表示像素点得分pi在第一预设得分阈值区间[a,b)中的像素点，xj表示像素点得分pj在第二预设得分阈值区间[b,c]中的像素点，M表示像素点得分pi在第一预设得分阈值区间[a,b)中的像素点总数，N表示像素点得分pj在第二预设得分阈值区间[b,c]中的像素点总数，A表示第一预设得分阈值区间[a,b)的评估系数，B表示第二预设得分阈值区间[b,c]的评估系数，Q表示像素点所在候选框的类别的得分，S表示待实例分割图像的实例分割结果。可选的，评估系数A为0，评估系数B为1。可选的，预设神经网络为卷积神经网络，卷积神经网络包括至少一个输入层、隐藏层和输出层。可选的，隐藏层包括至少一个卷积层和池化层，至少一个卷积层和池化层组成至少一个卷积组，用于逐层对特征进行提取。可选的，隐藏层还包括激活层、全连接层和BN层中的至少一种。可选的，预设神经网络为MaskR-CNN网络。第二方面，本公开实施例提供了一种图像实例分割结果的获取装置，包括：目标确定单元，用于确定待实例分割图像中的目标对象；第一计算单元，用于基于待实例分割图像，得到目标对象对应候选框中类别的得分，以及目标对象对应候选框中像素点的得分；第二计算单元，用于基于目标对象对应候选框中类别的得分，以及目标对象对应候选框中像素点的得分，得到待实例分割图像的实例分割结果。第三方面，本公开实施例还提供了一种服务器，包括：一个或多个处理器；存储器，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如本公开实施例第一方面任一的图像实例分割结果的获取方法。第四方面，本公开实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如本公开实施例第一方面任一的图像实例分割结果的获取方法。本公开实施例提供的一种图像实例分割结果的获取方法及装置，首先确定待实例分割图像中的目标对象，在计算出目标对象对应候选框中类别的得分之后，还进一步计算出目标对象对应候选框中像素点的得分，然后根据目标对象对应候选框中类别的得分，以及目标对象对应候选框中像素点的得分，计算待实例分割图像的实例分割结果。由于每个像素点的得分表示该像素点与其相关联的候选框中的类别为目标对象的可能性，因此相对于现有技术直接将得分最高的类别的得分作为待实例分割图像的实例分割结果，本公开实施例对目标对象的预测更准确。附图说明图1为本公开实施例提供的一种图像实例分割结果的获取方法流程示意图；图2为本公开实施例提供的计算目标对象对应候选框中像素点的得分流程示意图；图3为本公开实施例提供的计算实例分割的得分结果的流程示意图；图4为本公开实施例提供的预设得分阈值区间划分流程示意图；图5为本公开实施例提供的5层全连接的神经网络的结构框图；图6为本公开实施例提供的一种图像实例分割结果的获取装置结构框图；图7为本公开实施例提供的再一种图像实例分割结果的获取装置结构框图；图8为本公开实施例提供的一种服务器的结构示意图。具体实施方式下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本公开，而非对本公开的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本公开相关的部分而非全部结构。需要说明的是，本公开中术语“系统”和“网络”在本文中常被可互换使用。本公开实施例中提到的“和/或”是指”包括一个或更多个相关所列项目的任何和所有组合。本公开的说明书和权利要求书及附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于限定特定顺序。还需要说明是，本公开下述各个实施例可以单独执行，各个实施例之间也可以相互结合执行，本公开实施例对此不作具体限制。针对现有技术中通常采用分类器打分的方式对待实例分割图像中的目标对象进行处理，进而获得目标对象对应候选框中类别的得分，以用于对目标对象的预测。然而，通过分类器打分只是目标对象对应对候选框中的类别进行打分，如果对目标对象对应对候选框中的类别分类不准确，则可能会导致用一个比较高的类别的得分计算出一个不准确的实例分割结果，从而导致对目标对象的预测精确度不高的问题，本公开实施例提供本文档来自技高网...

【技术保护点】
1.一种图像实例分割结果的获取方法，其特征在于，包括如下步骤：/n确定待实例分割图像中的目标对象；/n基于所述待实例分割图像，得到所述目标对象对应候选框中类别的得分，以及所述目标对象对应候选框中像素点的得分；/n基于所述目标对象对应候选框中类别的得分，以及所述目标对象对应候选框中像素点的得分，得到待实例分割图像的实例分割结果。/n

【技术特征摘要】
1.一种图像实例分割结果的获取方法，其特征在于，包括如下步骤：
确定待实例分割图像中的目标对象；
基于所述待实例分割图像，得到所述目标对象对应候选框中类别的得分，以及所述目标对象对应候选框中像素点的得分；
基于所述目标对象对应候选框中类别的得分，以及所述目标对象对应候选框中像素点的得分，得到待实例分割图像的实例分割结果。


2.如权利要求1所述的方法，其特征在于，所述基于所述待实例分割图像，得到所述目标对象对应候选框中类别的得分，以及所述目标对象对应候选框中像素点的得分包括：
将所述待实例分割图像输入预设神经网络，得到所述目标对象对应候选框中类别的得分；
基于所述目标对象对应候选框中类别的得分，得到所述目标对象对应候选框中像素点的得分。


3.如权利要求2所述的方法，其特征在于，在所述基于所述目标对象对应候选框中类别的得分，得到所述目标对象对应候选框中像素点的得分之后，还包括：
获取所述目标对象对应候选框中满足预设像素点筛选条件的像素点的得分；
所述基于所述目标对象对应候选框中类别的得分，以及所述目标对象对应候选框中像素点的得分，得到实例分割的得分结果包括：
基于所述目标对象对应候选框中类别的得分，以及所述目标对象对应候选框中满足预设像素点筛选条件的像素点的得分，得到实例分割的得分结果。


4.如权利要求3所述的方法，其特征在于，所述获取所述目标对象对应候选框中满足预设像素点筛选条件的像素点的得分包括：
获取目标对象对应候选框中所在位置满足预设位置的像素点，和/或
获取目标对象对应候选框中得分满足预设得分阈值区间内的像素点。


5.如权利要求4所述的方法，其特征在于，所述预设得分阈值区间至少包括第一预设得分阈值区间和第二预设得分阈值区间，所述方法还包括：
确定所述获取目标对象对应候选框中得分满足第一预设得分阈值区间和/或满足第二预设得分阈值区间的像素点；
为满足第一预设得分阈值区间和/或满足第二预设得分阈值区间的像素点分配对应的评估系数。


6.如权利要求5所述的方法，其特征在于，根据如下公式计算所述待实例分割图像的实例分割结果：


...

【专利技术属性】
技术研发人员：喻冬东，王长虎，
申请(专利权)人：北京字节跳动网络技术有限公司，
类型：发明
国别省市：北京;11