一种图像分割方法及系统技术方案

本发明专利技术公开了一种图像分割方法及系统。其中，该方法包括：获取样本数据；根据所述样本数据，提取抽象特征；根据所述抽象特征，生成所述样本数据的概率分布信息；根据所述概率分布信息确定样本类别，并获取上采样特征；将所述上采样特征与所述分类概率分布信息进行融合，得到分类结果。本发明专利技术解决了现有技术中无法减少模型整体的参数量，提高泛化能力，具有相关性的任务之间共享部分参数的技术问题。

【技术实现步骤摘要】
一种图像分割方法及系统
本专利技术涉及图像处理领域，具体而言，涉及一种图像分割方法及系统。
技术介绍
图像分割与图像分类是计算机视觉领域中的重要研究方向。图像分割用于提取图像中的目标区域，目前广泛应用于机器视觉，指纹识别，卫星图像定位，行人检测等领域。图像识别是计算机视觉领域最常见的任务，也是很多其他高级视觉任务的基础，例如物体跟踪和行为分析等。图像分类广泛应用于各种领域，包括人脸识别，交通场景识别，相册自动归类，医学图像识别等。图像分割与分类共存于许多图像识别任务中，例如在一些医学图像处理中，分割任务是分类任务的前提，图像分类需要引入目标区域这一特征信息。因此，开发同时应用于分割与分类的多任务图像识别系统具有重要的意义。目前，卷积神经网络在计算机视觉领域应用广泛，对于一些特殊的图像识别任务，可能需要同时获取其分类标签与分割区域。然而现有的方法将这两个任务单独进行处理，忽略了两个任务之间的相关性。此外，对于图像识别任务，卷积神经网络在提取抽象特征时，并未考虑到不同的像素点所产生的影响并不一致的特性，降低了学习的特征的有效性。针对上述的问题，目前尚未提出有效的解决方案。
技术实现思路
针对以上问题，本专利技术提出了一种基于区分性注意力机制(attention)嵌入多任务网络的图像识别方法及系统，本专利技术首先构造了一个上分支的多任务学习的网络结构。首先使用U-net的编码器作为共同特征提取器，在分类任务网络分支中，扩展了解码器的分支，并添加了用于分类任务的全局平均池化和全连接层，在训练过程中，可以针对不同类别分别训练特定的解码器参数；此外，通过添加类激活映射(CAM)机制，来获取分割先验信息。在分割任务分支中，将获得的分割先验信息作为相应类别的attention融入到分割模块的解码器中，实现图像的高效分割及分类。本专利技术使用了多任务网络能减少模型整体的参数量，提高泛化能力，具有相关性的任务之间共享部分参数，能在训练中相互提升性能。另外，获取的attention可以用来提取关键目标区域，进一步提升性能。本专利技术实施例提供了一种图像分割方法及系统，以至少解决现有技术中无法减少模型整体的参数量，提高泛化能力，具有相关性的任务之间共享部分参数的技术问题。根据本专利技术实施例的一个方面，提供了一种图像分割方法，包括：获取样本数据；根据所述样本数据，提取抽象特征；根据所述抽象特征，生成所述样本数据的概率分布信息；根据所述概率分布信息确定样本类别，并获取上采样特征；将所述上采样特征与所述分类概率分布信息进行融合，得到分类结果。可选的，在所述获取样本数据之后，所述方法还包括：将所述样本数据进行预处理，其中，所述预处理包括：尺寸处理、通道处理、归一化处理。可选的，所述概率分布信息包括：分类概率数据、区分性注意力机制数据。可选的，所述根据所述抽象特征，生成所述样本数据的概率分布信息包括：通过分类器获取所述分类概率数据；将所述分类概率数据进行上采样及归一化处理，得到所述区分性注意力机制数据。根据本专利技术实施例的另一方面，还提供了一种图像分割系统，包括：获取模块，用于获取样本数据；提取模块，用于根据所述样本数据，提取抽象特征；概率模块，用于根据所述抽象特征，生成所述样本数据的概率分布信息；上采样模块，用于根据所述概率分布信息确定样本类别，并获取上采样特征；融合模块，用于将所述上采样特征与所述分类概率分布信息进行融合，得到分类结果。可选的，所述系统还包括：预处理模块，用于将所述样本数据进行预处理，其中，所述预处理包括：尺寸处理、通道处理、归一化处理。可选的，所述概率分布信息包括：分类概率数据、区分性注意力机制数据。可选的，所述概率模块包括：通过分类器获取所述分类概率数据；将所述分类概率数据进行上采样及归一化处理，得到所述区分性注意力机制数据。根据本专利技术实施例的另一方面，还提供了一种非易失性存储介质，所述非易失性存储介质包括存储的程序，其中，所述程序运行时控制非易失性存储介质所在的设备执行一种图像分割方法。根据本专利技术实施例的另一方面，还提供了一种电子装置，包含处理器和存储器；所述存储器中存储有计算机可读指令，所述处理器用于运行所述计算机可读指令，其中，所述计算机可读指令运行时执行一种图像分割方法。在本专利技术实施例中，采用获取样本数据；根据所述样本数据，提取抽象特征；根据所述抽象特征，生成所述样本数据的概率分布信息；根据所述概率分布信息确定样本类别，并获取上采样特征；将所述上采样特征与所述分类概率分布信息进行融合，得到分类结果的方式，解决了现有技术中无法减少模型整体的参数量，提高泛化能力，具有相关性的任务之间共享部分参数的技术问题。附图说明此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：图1是根据本专利技术实施例的一种图像分割方法的流程图；图2是根据本专利技术实施例的一种图像分割系统的结构框图。具体实施方式为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。根据本专利技术实施例，提供了一种图像分割方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。实施例一图1是根据本专利技术实施例的一种图像分割方法的流程图，如图1所示，该方法包括如下步骤：步骤S102，获取样本数据。具体的，本专利技术实施例需要将获取到的图像数据进行分割，因此首先需要通过图像采集设备对样本数据(即原始图像数据)进行采集和获取，采集设备可以是车辆等载体上安装的高清摄像头，用于对需要进行图像分割的客体对象进行拍摄并作为图像数据进行存储，以备后续处理之用。另外，本专利技术实施例获取样本数据之后，目的是构造了一个上分支的多任务学习的网络结构。首先使用U-net的编码器作为共同特征提取器，在分类任务网络分支中，扩展了解码器的分本文档来自技高网...

【技术保护点】
1.一种图像分割方法，其特征在于，包括：/n获取样本数据；/n根据所述样本数据，提取抽象特征；/n根据所述抽象特征，生成所述样本数据的概率分布信息；/n根据所述概率分布信息确定样本类别，并获取上采样特征；/n将所述上采样特征与所述分类概率分布信息进行融合，得到分类结果。/n

【技术特征摘要】
1.一种图像分割方法，其特征在于，包括：
获取样本数据；
根据所述样本数据，提取抽象特征；
根据所述抽象特征，生成所述样本数据的概率分布信息；
根据所述概率分布信息确定样本类别，并获取上采样特征；
将所述上采样特征与所述分类概率分布信息进行融合，得到分类结果。


2.根据权利要求1所述的方法，其特征在于，在所述获取样本数据之后，所述方法还包括：
将所述样本数据进行预处理，其中，所述预处理包括：尺寸处理、通道处理、归一化处理。


3.根据权利要求1所述的方法，其特征在于，所述概率分布信息包括：分类概率数据、区分性注意力机制数据。


4.根据权利要求3所述的方法，其特征在于，所述根据所述抽象特征，生成所述样本数据的概率分布信息包括：
通过分类器获取所述分类概率数据；
将所述分类概率数据进行上采样及归一化处理，得到所述区分性注意力机制数据。


5.一种图像分割系统，其特征在于，包括：
获取模块，用于获取样本数据；
提取模块，用于根据所述样本数据，提取抽象特征；
概率模块，用于根据所述抽象特征，生成所述样本数据的概率分布信息；...

【专利技术属性】
技术研发人员：李鹏，张凯，徐卿，袭肖明，
申请(专利权)人：广东众聚人工智能科技有限公司，
类型：发明
国别省市：广东;44