语义分割方法、网络、设备及计算机存储介质技术

本发明专利技术公开了一种语义分割方法，该方法包括：提取输入图像的深层特征，基于所述深层特征进行粗分割，得到粗分割结果；基于所述深层特征进行区域存在性预测，得到区域存在性预测结果；提取所述输入图像的浅层特征，并以所述浅层特征为基础在所述区域存在性预测结果指导下提取区域存在性指导的局部特征；结合粗分割结果和所述区域存在性指导的局部特征进行分割修正，得到分割修正结果；基于所述分割修正结果计算得到像素级语义分割结果。解决了精确语义分割存在的问题。达到了明确、高效的多层特征融合，减少了计算开销和对于原始粗分割结果和双线性插值的依赖性，最终实现高效、准确的像素级语义分割。

【技术实现步骤摘要】
语义分割方法、网络、设备及计算机存储介质
本专利技术涉及计算机视觉领域，尤其涉及计算机视觉领域。
技术介绍
语义分割是一种像素级别的分类任务，为输入图像的每个像素分配所属的语义标签，广泛应用于自动驾驶、增强现实等应用中。目前，卷积神经网络是语义分割的主流方法，通过堆叠卷积核和下采样操作扩大感受野，由浅到深的提取不同层次的信息。一般而言，低层特征提取局部、纹理信息，有利于边界精细分割；深层特征提取全局、语义信息，从而更准确地判断物体类别。但深层特征经过多次下采样，而语义分割要求与输入尺寸一致的精细预测结果。为了语义分割的高分辨率要求，主要有两类处理方法：(1)使用编码器-解码器结构，通过跳跃连接融合多层特征，逐层恢复空间分辨率；(2)使用空洞卷积修改主干网络，减少特征提取过程中的分辨率损失。第一种方法要求解码器结构的精心设计，并且随着编码器部分的主干网络加深，有限的计算资源限制了解码器的尺寸。此外，尽管低层特征可以补充高分辨率的信息，但由于其局部响应特性，这些特征难以具有语义类别的区分性。因此，低层特征提取的信息对于语义分割而言是带噪的，本文档来自技高网...

【技术保护点】
1.一种语义分割方法，其特征在于，包括：/n提取输入图像的深层特征，基于所述深层特征进行粗分割，得到粗分割结果；/n基于所述深层特征进行区域存在性预测，得到区域存在性预测结果；/n提取所述输入图像的浅层特征，并以所述浅层特征为基础在所述区域存在性预测结果指导下提取区域存在性指导的局部特征；其中所述区域存在性指导的局部特征为具有类别区分性的浅层特征；/n结合粗分割结果和所述区域存在性指导的局部特征进行分割修正，得到分割修正结果；/n基于所述分割修正结果计算得到像素级语义分割结果。/n

【技术特征摘要】
1.一种语义分割方法，其特征在于，包括：
提取输入图像的深层特征，基于所述深层特征进行粗分割，得到粗分割结果；
基于所述深层特征进行区域存在性预测，得到区域存在性预测结果；
提取所述输入图像的浅层特征，并以所述浅层特征为基础在所述区域存在性预测结果指导下提取区域存在性指导的局部特征；其中所述区域存在性指导的局部特征为具有类别区分性的浅层特征；
结合粗分割结果和所述区域存在性指导的局部特征进行分割修正，得到分割修正结果；
基于所述分割修正结果计算得到像素级语义分割结果。


2.如权利要求1所述的语义分割方法，其特征在于，所述基于所述深层特征进行粗分割，得到粗分割结果，包括：
基于所述深层特征进行1×1卷积计算将通道降至预设语义类别数。


3.如权利要求1所述的语义分割方法，其特征在于，所述提取输入图像的深层特征，包括：
通过特征提取网络对输入图像进行深层特征提取。


4.如权利要求1所述的语义分割方法，其特征在于，所述提取所述输入图像的浅层特征，包括：
对输入图像特征进行对称卷积，并进行批标准化；
对输入图像特征引入两支与对称卷积平行的不对称卷积层进行不对称卷积，并进行批标准化；
将对称卷积批标准化结果和两个不对称卷积批标准化结果相加；
经过激活函数激活得到所述输入图像的浅层特征。


5.如权利要求1所述的语义分割方法，其特征在于，所述以所述浅层特征为基础在所述区域存在性预测结果指导下提取区域存在性指导的局部特征，包括：
采用1×1卷积及批标准化将所述对称卷积批标准化结果和两个不对称卷积批标准化结果相加产生的通道维度降至所述预设语义类别数；
以所述区域存在性预测结果为输入，经过归一化处理得到区域存在性预测概率图；其中所述区域存在性预测概率图为每个区域内各预设语义类别存在的概率；
将所述区域存在性预测概率图映射到与对应浅层特征同分辨率的区域，得到区域存在性预测概率映射结果；
将所述浅层特征和所述区域存在性预测概率映射结果进行哈达玛积计算...

【专利技术属性】
技术研发人员：张勇东，刘荪傲，谢洪涛，
申请(专利权)人：合肥综合性国家科学中心人工智能研究院安徽省人工智能实验室，
类型：发明
国别省市：安徽;34