图像识别方法及其装置、可读介质和电子设备制造方法及图纸

本申请涉及图像识别领域，公开了一种图像识别方法及其装置、可读介质和电子设备。本申请的图像识别方法包括：获取待处理图像，并将待处理图像分成多个图像子区域；生成多个图像子区域中至少部分图像子区域的局部掩模表征，其中，局部掩模表征包括对应图像子区域的目标对象的轮廓和目标对象周围的周围对象的轮廓；基于图像子区域的局部掩模表征和与该图像子区域邻近的至少一个图像子区域的局部掩模表征，生成该图像子区域的目标对象的分割掩模；基于目标对象的分割掩模，识别出待处理图像的目标对象。本申请的图像识别方法结合了多个局部掩模表征的互补信息，使得最终预测的分割掩模在图像识别时的准确率更高。模在图像识别时的准确率更高。模在图像识别时的准确率更高。

【技术实现步骤摘要】
图像识别方法及其装置、可读介质和电子设备


[0001]本申请涉及图像识别领域，尤其涉及一种图像识别方法及其装置、可读介质和电子设备。

技术介绍

[0002]近年来，人工智能(Artificial Intelligence,AI)广泛用于图像处理领域，图像处理主要包括图像分类、对象检测、语义分割和实例分割,其中，实例分割是在分辨率级识别对象轮廓的任务。
[0003]目前实例分割主要基于区域的两阶段分割方法，例如Mask R-CNN(MaskRegion-based Convolutional Neural Networks,基于分割掩模区域卷积神经网络)，该方法首先预测边框定位出输入图像中的对象，然后在边框的区域内对对象进行语义分割，但是这种基于边框的分割方法存在一些问题，例如，边框通常包含输入图像的背景区域信息，并且无法区分外观相似的高度重叠的对象。为了解决这些问题，单阶段分割方法被提出，它不需要预测边框，就可以直接在输入图像中对对象进行实例分割。但是，目前单阶段分割方法在分割精度上还是不如两阶段分割方法。

技术实现思路

...

【技术保护点】

【技术特征摘要】
1.一种图像识别方法，其特征在于，包括：获取待处理图像，并将所述待处理图像分成多个图像子区域；生成所述多个所述图像子区域中至少部分图像子区域的局部掩模表征，其中，所述局部掩模表征包括对应图像子区域的目标对象的轮廓和目标对象周围的周围对象的轮廓；基于所述图像子区域的局部掩模表征和与该图像子区域邻近的至少一个图像子区域的局部掩模表征，生成该图像子区域的目标对象的分割掩模；基于所述目标对象的分割掩模，识别出所述待处理图像的所述目标对象。2.根据权利要求1所述的方法，其特征在于，还包括：对每个图像子区域进行语义分类，得到每个所述图像子区域的语义分类结果。3.根据权利要求2所述的方法，其特征在于，还基于所述图像子区域的语义分类结果，生成所述图像子区域的目标对象的分割掩模。4.根据权利要求1所述的方法，其特征在于，所述方法基于全卷积神经网络实现，其中所述全卷积神经网络包括多个卷积层，并且所述多个卷积层用于基于所述图像子区域的局部掩模表征和与该图像子区域邻近的至少一个图像子区域的局部掩模表征，生成该图像子区域的目标对象的分割掩模。5.根据权利要求4所述的方法，其特征在于，包括所述全卷积神经网络的训练，并且所述训练过程包括：将样本图像输入所述全卷积神经网络，并生成第一融合参数；将所述样本图像分成多个图像子区域，并生成所述多个所述图像子区域中至少部分图像子区域的局部掩模表征和语义分类结果；通过所述多个卷积层利用所述第一融合参数和所述语义分类结果，对所述样本图像的一个图像子区域的局部掩模表征和与该图像子区域邻近的至少一个图像子区域的局部掩模表征进行融合，生成该图像子区域的目标对象的第一分割掩模；将所述第一分割掩膜和样本图像的预期分割掩膜进行比对，根据比对结果确定是否调整所述第一融合参数。6.根据权利要求5所述的方法，其特征在于，所述多个卷积层通过以下方式生成所述图像子区域的目标对象的第一分割掩模：所述多个卷积层利用所述第一融合参数提取所述图像子区域的目标对象的轮廓的第一局部特征以及与该图像子区域邻近的所述至少一个图像子区域的目标对象的轮廓的第二局部特征；融合所述第一局部特征和第二局部特征，生成所述目标对象的第一分割掩模。7.根据权利要求5所述的方法，其特征在于，所述多个卷积层通过以下方式生成所述图像子区域的目标对象的第一分割掩模：所述多个卷积层利用所述第一融合参数提取所述图像子区域的目标对象的轮廓的第一局部特征、该图像子区域所述目标对象的周围对象的轮廓的第一上下文信息、以及与该图像子区域邻近的所述至少一个图像子区域的目标对象的轮...

【专利技术属性】
技术研发人员：王韬，陈云鹏，冯佳时，
申请(专利权)人：新加坡依图有限责任公司私有，
类型：发明
国别省市：