全景分割方法、装置、电子设备和计算机可读介质制造方法及图纸

本申请实施例公开了全景分割方法、装置、电子设备和计算机可读介质。该方法的实施例包括：对目标图像进行特征提取，得到多尺度的特征图；分别将多尺度中的至少一个尺度的特征图输入至预先训练的定位网络，定位出目标图像中的各对象，对象包括物体和背景；分别将至少一个尺度的特征图输入至预先训练的卷积核生成网络，得到分别与目标图像中的各对象对应的卷积核；将相同对象对应的卷积核进行融合，得到各对象对应的目标卷积核；基于目标卷积核对多尺度的特征图进行处理，得到目标图像的全景分割结果。该实施方式提高了全景分割的准确性和处理效率。

【技术实现步骤摘要】
全景分割方法、装置、电子设备和计算机可读介质
本申请实施例涉及计算机
，具体涉及全景分割方法、装置、电子设备和计算机可读介质。
技术介绍
全景分割(PanopticSegmentation)是一种图像分割技术，用于将图像中的不同对象(包括前景中的不同物体以及背景)的区域进行分割，以得到分割图像。现有技术中，通常采用不同网络分支对前景物体和背景分开处理。在对前景物体处理的过程中，通过物体检测框等方式将不同物体进行分离；在对背景处理的过程中，使用另一网络分支进行逐像素分类。由于前景物体和背景未在同一分割任务下处理，因而全景分割的准确性较低。此外，前景物体和背景分开处理时需要额外预测前景物体的检测框或位置偏移量等，因而网络整体性能较低，导致全景分割效率较低。
技术实现思路
本申请实施例提出了全景分割方法、装置、电子设备和计算机可读介质，以解决现有技术中全景分割的准确性和效率较低的技术问题。第一方面，本申请实施例提供了一种全景分割方法，该方法包括：对目标图像进行特征提取，得到多尺度的特征图；分别将所述多尺度中的本文档来自技高网...

【技术保护点】
1.一种全景分割方法，其特征在于，所述方法包括：/n对目标图像进行特征提取，得到多尺度的特征图；/n分别将所述多尺度中的至少一个尺度的特征图输入至预先训练的定位网络，定位出所述目标图像中的各对象，所述对象包括物体和背景；/n分别将所述至少一个尺度的特征图输入至预先训练的卷积核生成网络，得到分别与所述目标图像中的各对象对应的卷积核；/n将相同对象对应的卷积核进行融合，得到各对象对应的目标卷积核；/n基于所述目标卷积核对所述多尺度的特征图进行处理，得到所述目标图像的全景分割结果。/n

【技术特征摘要】
1.一种全景分割方法，其特征在于，所述方法包括：
对目标图像进行特征提取，得到多尺度的特征图；
分别将所述多尺度中的至少一个尺度的特征图输入至预先训练的定位网络，定位出所述目标图像中的各对象，所述对象包括物体和背景；
分别将所述至少一个尺度的特征图输入至预先训练的卷积核生成网络，得到分别与所述目标图像中的各对象对应的卷积核；
将相同对象对应的卷积核进行融合，得到各对象对应的目标卷积核；
基于所述目标卷积核对所述多尺度的特征图进行处理，得到所述目标图像的全景分割结果。


2.根据权利要求1所述的方法，其特征在于，所述分别将所述多尺度中的至少一个尺度的特征图输入至预先训练的定位网络，定位出所述目标图像中的各对象，包括：
按照尺度由低到高的次序选取至少一个尺度的特征图；
分别将所选取的每个尺度的特征图输入至预先训练的定位网络，定位出所述目标图像中的各对象。


3.根据权利要求1所述的方法，其特征在于，所述分别将所述至少一个尺度的特征图输入至预先训练的卷积核生成网络，得到分别与所述目标图像中的各对象对应的卷积核，包括：
分别针对所述至少一个尺度中的每个尺度的特征图，提取第一位置分布特征；
将每个尺度的特征图与相应的第一位置分布特征输入至预先训练的卷积核生成网络，得到所述目标图像中的各对象对应的卷积核。


4.根据权利要求1所述的方法，其特征在于，所述将相同对象对应的卷积核进行融合，得到各对象对应的目标卷积核，包括：
将相同对象对应的卷积核划分至同一卷积核组；
对所述卷积核组中的卷积核进行聚类，得到至少一个簇；
将同一簇中的卷积核进行融合，得到目标卷积核。


5.根据权利要求4所述的方法，其特征在于，所述对所述卷积核组中的卷积核进行聚类，得到至少一个簇，包括：
确定所述卷积核组中的卷积核的相似度，并将所述相似度大于预设阈值的卷积核划分至同一簇。


6.根据权利要求1-5任一所述的全景分割方法，其特征在于，所述基于所述目标卷积核对所述多尺度的特征图进行处理，得到所述目...

【专利技术属性】
技术研发人员：李彦玮，黎泽明，
申请(专利权)人：北京迈格威科技有限公司，
类型：发明
国别省市：北京;11