用于分割图像的方法、装置、设备和计算机可读介质制造方法及图纸

本公开的实施例公开了用于分割图像的方法、装置、设备和计算机可读介质。该方法的一具体实施方式包括：将输入图像输入预先训练的通用子网络，得到通用特征；将输入图像输入预先训练的特定任务子网络，得到特定任务特征；基于注意力机制网络，将该通用特征添加到该特定任务特征上，得到目标任务特征；对该特定任务特征进行解码操作，得到融合特征；利用渐进网络对该目标任务特征和该融合特征进行集成，得到该输入图像的分割图。该实施方式实现了基于特定任务特征对图像进行分割。

【技术实现步骤摘要】
用于分割图像的方法、装置、设备和计算机可读介质
本公开的实施例涉及计算机
，具体涉及用于分割图像的方法、装置、设备和计算机可读介质。
技术介绍
显著物体分割是计算机视觉的重要基础问题，对物体识别、目标跟踪以及图像解析等任务具有重要意义。已有的显著物体分割方法有很多。传统的方法主要考虑利用全局和局部的视觉特征对比来突出显著物体。基于深度学习的方法主要利用深度神经网络提取特征并利用神经网络进行特征映射和解析从而分割出显著对象。目前基于深度学习的图像显著物体显著对象分割方法很多而且性能优越。目前的方法都是在研究常规图像的显著物体分割，还没有方法研究特定任务的图像显著物体分割。由于特定任务图像中存在着众多困难的问题，导致显著物体分割很难进行，其中最重要的问题就是缺少任务相关知识，严重影响方法预测。
技术实现思路
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。本文档来自技高网...

【技术保护点】
1.一种用于分割图像的方法，包括：/n将输入图像输入预先训练的通用子网络，得到通用特征，其中，所述通用子网络是利用常规数据集训练完成的；/n将输入图像输入预先训练的特定任务子网络，得到特定任务特征，其中，所述特定任务子网络包括至少一个编码阶段；/n基于注意力机制网络，将所述通用特征添加到所述特定任务特征上，得到目标任务特征；/n对所述特定任务特征进行解码操作，得到融合特征；/n利用渐进网络对所述目标任务特征和所述融合特征进行集成，得到所述输入图像中的显著物体的分割图。/n

【技术特征摘要】
1.一种用于分割图像的方法，包括：
将输入图像输入预先训练的通用子网络，得到通用特征，其中，所述通用子网络是利用常规数据集训练完成的；
将输入图像输入预先训练的特定任务子网络，得到特定任务特征，其中，所述特定任务子网络包括至少一个编码阶段；
基于注意力机制网络，将所述通用特征添加到所述特定任务特征上，得到目标任务特征；
对所述特定任务特征进行解码操作，得到融合特征；
利用渐进网络对所述目标任务特征和所述融合特征进行集成，得到所述输入图像中的显著物体的分割图。


2.根据权利要求1所述的方法，其中，所述基于注意力机制网络，将所述通用特征添加到所述特定任务特征上，得到目标任务特征，包括：
基于所述通用特征，生成通用注意力图；
基于所述通用注意力图和残差模块，得到跨域特征差异；
将所述跨域特征差异添加到所述特定任务特征上，得到目标任务特征。


3.根据权利要求2所述的方法，其中，所述通用注意力图是根据以下公式确定的：



其中，表示通用注意力图；
ζs表示空间上的逻辑回归操作；
ζc表示通道上的逻辑回归操作；
GAP表示全局平均池化操作；

表示矩阵相乘；

表示通用特征。


4.根据权利要求1所述的方法，其中，所述对所述特定任务特征进行解码操作，得到融合特征，包括：
将所述特定任务特征通过第一目标卷积层，得到第一卷积特征；
基于所述输入图像的图像信息对所述第一卷积特征进行采样，得到边界分支特征；
将所述特定任务特征通过第二目标卷积层，得到第二卷积特征；
基于转置卷积对所述第二卷积特征进行采样，得到内部分支特征和过渡分支特征；
基于所述边界分支特征、过渡分支特征和所...

【专利技术属性】
技术研发人员：李甲，苏金明，夏长群，吴俊杰，赵沁平，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11