基于集成学习和概率图模型的图像语义分割方法及装置制造方法及图纸

本发明专利技术公开了一种基于集成学习和概率图模型的图像语义分割方法，包括：对待分割图像进行语义分割，得到多个分割结果；对所述多个分割结果进行集成，得到集成结果；将所述集成结果转换为一元势能；将所述一元势能与所述待分割图像输入到概率图模型中，通过最大后验概率推理得到最终语义分割结果。本发明专利技术既可以利用多个不同方法或模型或在不同尺度上的性能偏好，并利用其差异度，又可利用概率图模型的建模和推理能力进行图像语义分割，提高了图像语义分割的准确度。另外，基于概率图模型推理的图像语义分割具有更强的可解释性。

Image semantic segmentation method and device based on ensemble learning and probability graph model

【技术实现步骤摘要】
基于集成学习和概率图模型的图像语义分割方法及装置
本专利技术涉及计算机视觉领域，具体涉及一种基于集成学习和概率图模型的图像语义分割方法及装置。
技术介绍
图像语义分割是指将各种模态的图像分割为不同的语义区域的操作。语义分割有着广泛的应用前景，例如对街道场景进行语义分割以作为自动驾驶的判定依据，将物体从照片中分割出来并指出其为何种物体，从医学图像中提取出病灶区域并指出其为良性或恶行以作为诊断或手术依据，这些都属于图像语义分割的实际应用实例。在不同的任务或场景中，人们对语义的具体范围和关注重点是千差万别的，自动驾驶重点关注交通指示及车辆行人，自然场景中关注物体的类别，医学场景中关注病灶的性质和边界范围。近年来，随着深度神经网络学习方法的发展的应用，图像语义分割取得了突破性的进展。典型的深度神经网络方法有FCN，DEEPLAB系列，SEGNET，HRNET等。这些方法取得很大的进度，成功将深度神经网络方法应用于解决图像语义分割问题。但是，深度神经网络方法有几个比较突出的问题限制了其性能的进一步提高和实际应用。第一，神经网络的输出结果没有考虑图本文档来自技高网...

【技术保护点】
1.一种基于集成学习和概率图模型的图像语义分割方法，其特征在于，包括：/n对待分割图像进行语义分割，得到多个分割结果；/n对所述多个分割结果进行集成，得到集成结果；/n将所述集成结果转换为一元势能；/n将所述一元势能与所述待分割图像输入到概率图模型中，通过最大后验概率推理得到最终语义分割结果。/n

【技术特征摘要】
1.一种基于集成学习和概率图模型的图像语义分割方法，其特征在于，包括：
对待分割图像进行语义分割，得到多个分割结果；
对所述多个分割结果进行集成，得到集成结果；
将所述集成结果转换为一元势能；
将所述一元势能与所述待分割图像输入到概率图模型中，通过最大后验概率推理得到最终语义分割结果。


2.根据权利要求1所述的基于集成学习和概率图模型的图像语义分割方法，其特征在于，对待分割图像进行语义分割，得到多个分割结果，包括：
使用不同语义分割方法或不同的语义分割模型对待分割图像进行自动语义分割，得到多个分割结果；
或/和对待分割图像进行人工语义分割，得到多个分割结果。


3.根据权利要求2所述的基于集成学习和概率图模型的图像语义分割方法，其特征在于，使用不同方法或不同的语义分割模型对待分割图像的进行不同尺度变换后的图像进行语义分割，并将分割结果通过插值运算变换回原始尺度。


4.根据权利要求1所述的基于集成学习和概率图模型的图像语义分割方法，其特征在于，将多个分割结果通过堆叠的方式得到集成结果。


5.根据权利要求4所述的基于集成学习和概率图模型的图像语义分割方法，其特征在于，对于二值语义分割，即只有两个标签类别的图像语义分割，还可以将多个分割结果通过加和的方式得到集成结果。


6.根据权利要求4所述的基于集成学习和概率图模型的图像语义分割方法，其特征在于，将所述集成结果转换为一元势能，包括：
获取集成结果中不同分割结果间的差异度；
基于所述差异度得到所述一...

【专利技术属性】
技术研发人员：邱毓茗，
申请(专利权)人：中国科学院重庆绿色智能技术研究院，
类型：发明
国别省市：重庆;50