本发明专利技术公开了一种分割方法、装置、电子设备及存储介质。所述方法包括：获取待分割图像设定面的图像信息，所述设定面包括主参考面和辅助参考面；将所述图像信息输入分割模型，获取分割模型输出的所述待分割图像的分割结果；其中，所述分割模型中主特征提取模块的结构复杂度高于所述分割模型中辅特征提取模块的结构复杂度，主特征提取模块用于提取主图像信息的主图像特征，辅特征提取模块，用于提取辅图像信息中的辅图像特征，所述主图像信息为主参考面对应的图像信息，辅图像信息为所述辅助参考面对应的图像信息。利用该方法，能够基于待分割图像设定面的图像信息进行图像分割，在分割时采用不同模块对不同设定面进行处理，提高了分割精度。了分割精度。了分割精度。
【技术实现步骤摘要】
一种分割方法、装置、电子设备及存储介质
[0001]本专利技术实施例涉及数据处理
，尤其涉及一种分割方法、装置、电子设备及存储介质。
技术介绍
[0002]图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。
[0003]现有图像分割方法主要有：人工手动分割、传统半自动分割方法，以及基于深度学习的全自动分割。其中，基于深度学习的图像分割方法表现出巨大的潜力。
[0004]然而，针对小目标，结构复杂的图像分割任务而言，基于深度学习的图像分割方法存在分割精度低的技术问题。
技术实现思路
[0005]本专利技术实施例提供了一种分割方法、装置、电子设备及存储介质，有效的提高了图像分割的精度。
[0006]第一方面，本专利技术实施例提供了一种分割方法，包括：
[0007]获取待分割图像设定面的图像信息，所述设定面包括主参考面和辅助参考面；
[0008]将所述图像信息输入分割模型，获取所述分割模型输出的所述待分割图像的分割结果；
[0009]其中，所述分割模型中主特征提取模块的结构复杂度高于所述分割模型中辅特征提取模块的结构复杂度，所述主特征提取模块用于提取主图像信息的主图像特征，所述辅特征提取模块，用于提取辅图像信息中的辅图像特征，所述主图像信息为所述主参考面对应的图像信息，所述辅图像信息为所述辅助参考面对应的图像信息。
[0010]可选的，所述分割模型包括主特征提取模块、辅特征提取模块、特征旋转模块、特征融合模块和解码模块；相应的，将所述图像信息输入分割模型，获取所述分割模型输出的所述待分割图像的分割结果，包括：
[0011]将所述主图像信息输入主特征提取模块，得到主图像特征；
[0012]将所述辅图像信息输入辅特征提取模块，得到辅图像特征；
[0013]将所述辅图像特征输入所述特征旋转模块进行旋转变换；
[0014]将所述主图像特征和各旋转后的辅图像特征进行合并后输入所述特征融合模块，得到融合后的图像特征；
[0015]将所述融合后的图像特征输入所述解码模块，得到所述待分割图像的分割结果。
[0016]可选的，所述辅特征提取模块的数量等于所述辅助参考面的个数；各所述辅特征提取模块的网络结构相同或不同；在所述辅助参考面的个数为至少两个时，各所述辅助参考面所对应辅图像特征分别输入所对应辅特征提取模块。
[0017]可选的，所述主特征提取模块包括：多个主特征提取网络，每个主特征提取网络包
括编码子模块和中心残差子模块，各主特征提取网络通过所对应编码子模块连接；相应的，将所述主图像信息输入主特征提取模块，得到主图像特征，包括：
[0018]将主目标信息输入每层主特征提取网络，得到对应的图像特征；
[0019]在所述主特征提取网络为第一层主特征提取网络时，所述主目标信息为所述主图像信息，在所述主特征提取网络为非第一层主特征提取网络时，所述主目标信息为上一层主特征提取网络所包括编码子模块的输出，所述主图像特征包括每层主特征提取网络所输出的图像特征。
[0020]可选的，所述辅特征提取模块包括：多个辅特征提取网络，每层辅特征提取网络依次连接；相应的，将所述辅图像信息输入辅特征提取模块，得到辅图像特征，包括：
[0021]将辅目标信息输入每层辅特征提取网络，得到对应的图像特征；
[0022]在所述辅特征提取网络为第一层辅特征提取网络时，所述辅目标信息为所述辅图像信息，在所述辅特征提取网络为非第一层辅特征提取网络时，所述辅目标信息为上一层辅特征提取提取网络的输出，所述辅图像特征包括每层辅特征提取网络输出的图像特征，所述辅特征提取网络的个数小于所述主特征提取模块所包括主特征提取网络的个数。
[0023]可选的，所述解码模块包括多个解码网络，所述解码模块所包括解码网络的个数等于所述主特征提取模块所包括主特征提取网络的个数；除第一层解码网络外的目标解码网络中设定子模块的输出分别上采样至上一层解码网络的输入；相应的，将所述融合后的图像特征输入所述解码模块，得到所述待分割图像的分割结果，包括：
[0024]将所述融合后的图像特征输入至各所述解码网络，得到分割结果，所述分割结果为各所述解码网络中第一层解码网络和设定层解码网络的输出加和后的结果；
[0025]所述解码模块中最后一层的解码网络利用不同膨胀卷积率的膨胀卷积，将输入的融合后的图像特征进行处理，所述解码模块中除最后一层的解码网络通过残差子模块对输入进行处理或者所述解码模块中除最后一层的解码网络通过残差子模块和卷积子模块对输入进行处理，最后一层解码网络中设定子模块为中间卷积子模块，所述目标解码网络中除最后一层解码网络外的解码网络中设定子模块为残差子模块。
[0026]可选的，所述分割模型的损失函数基于所述解码模块多个解码网络的输出和对应的标签值确定，确定损失函数的多个解码网络中包括第一层解码网络，第一层解码网络的损失函数基于加权后的前景重叠系数和加权后的背景重叠系数确定。
[0027]第二方面，本专利技术实施例还提供了一种分割装置，包括：
[0028]第一获取模块，用于获取待分割图像设定面的图像信息，所述设定面包括主参考面和辅助参考面；
[0029]第二获取模块，用于将所述图像信息输入分割模型，获取所述分割模型输出的所述待分割图像的分割结果；
[0030]其中，所述分割模型中主特征提取模块的结构复杂度高于所述分割模型中辅特征提取模块的结构复杂度，所述主特征提取模块用于提取主图像信息的主图像特征，所述辅特征提取模块，用于提取辅图像信息中的辅图像特征，所述主图像信息为所述主参考面对应的图像信息，所述辅图像信息为所述辅助参考面对应的图像信息。
[0031]第三方面，本专利技术实施例还提供了一种电子设备，包括：
[0032]一个或多个处理器；
[0033]存储装置，用于存储一个或多个程序；
[0034]所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本专利技术实施例提供的分割方法。
[0035]第四方面，本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本专利技术实施例提供的分割方法。
[0036]本专利技术实施例提供了一种分割方法、装置、电子设备及存储介质，首先获取待分割图像设定面的图像信息，所述设定面包括主参考面和辅助参考面；然后将所述图像信息输入分割模型，获取所述分割模型输出的所述待分割图像的分割结果；其中，所述分割模型中主特征提取模块的结构复杂度高于所述分割模型中辅特征提取模块的结构复杂度，所述主特征提取模块用于提取主图像信息的主图像特征，所述辅特征提取模块，用于提取辅图像信息中的辅图像特征，所述主图像信息为所述主参考面对应的图像信息，所述辅图像信息为所述辅助参考面对应的图像信息。利用上述技术方案，能够基于待分割图像设定面的图像信息进行图像本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种分割方法，其特征在于，包括：获取待分割图像设定面的图像信息，所述设定面包括主参考面和辅助参考面；将所述图像信息输入分割模型，获取所述分割模型输出的所述待分割图像的分割结果；其中，所述分割模型中主特征提取模块的结构复杂度高于所述分割模型中辅特征提取模块的结构复杂度，所述主特征提取模块用于提取主图像信息的主图像特征，所述辅特征提取模块，用于提取辅图像信息中的辅图像特征，所述主图像信息为所述主参考面对应的图像信息，所述辅图像信息为所述辅助参考面对应的图像信息。2.根据权利要求1所述的方法，其特征在于，所述分割模型包括主特征提取模块、辅特征提取模块、特征旋转模块、特征融合模块和解码模块；相应的，将所述图像信息输入分割模型，获取所述分割模型输出的所述待分割图像的分割结果，包括：将所述主图像信息输入主特征提取模块，得到主图像特征；将所述辅图像信息输入辅特征提取模块，得到辅图像特征；将所述辅图像特征输入所述特征旋转模块进行旋转变换；将所述主图像特征和各旋转后的辅图像特征进行合并后输入所述特征融合模块，得到融合后的图像特征；将所述融合后的图像特征输入所述解码模块，得到所述待分割图像的分割结果。3.根据权利要求2所述的方法，其特征在于，所述辅特征提取模块的数量等于所述辅助参考面的个数；各所述辅特征提取模块的网络结构相同或不同；在所述辅助参考面的个数为至少两个时，各所述辅助参考面所对应辅图像特征分别输入所对应辅特征提取模块。4.根据权利要求2所述的方法，其特征在于，所述主特征提取模块包括：多个主特征提取网络，每个主特征提取网络包括编码子模块和中心残差子模块，各主特征提取网络通过所对应编码子模块连接；相应的，将所述主图像信息输入主特征提取模块，得到主图像特征，包括：将主目标信息输入每层主特征提取网络，得到对应的图像特征；在所述主特征提取网络为第一层主特征提取网络时，所述主目标信息为所述主图像信息，在所述主特征提取网络为非第一层主特征提取网络时，所述主目标信息为上一层主特征提取网络所包括编码子模块的输出，所述主图像特征包括每层主特征提取网络所输出的图像特征。5.根据权利要求2所述的方法，其特征在于，所述辅特征提取模块包括：多个辅特征提取网络，每层辅特征提取网络依次连接；相应的，将所述辅图像信息输入辅特征提取模块，得到辅图像特征，包括：将辅目标信息输入每层辅特征提取网络，得到对应的图像特征；在所述辅特征提取网络为第一层辅特征提取网络时，所述辅目标信息为所述辅图像信息，在所述辅特征提取网络为非第一层辅特征提取网络时，所述辅...
【专利技术属性】
技术研发人员：曹桂平，
申请(专利权)人：广州视源人工智能创新研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。