基于错误反思学习框架的图像分割装置、方法、设备及介质制造方法及图纸

本发明专利技术公开了一种基于错误反思学习框架的图像分割装置、方法、设备及介质，对原始输入图像进行z

【技术实现步骤摘要】
基于错误反思学习框架的图像分割装置、方法、设备及介质


[0001]本专利技术属于深度学习
，具体涉及一种基于错误反思学习框架的图像分割装置、方法、设备及介质。

技术介绍

[0002]图像分割是计算机视觉和图像处理中的一项关键任务，主要通过预测每个像素的语义类别，区分不同目标物体。图像分割具体可以分为语义分割、实例分割和全景分割。语义分割为不同类别目标物体标注不同的语义标签；实例分割不但为不同类别目标物体标注语义标签，而且区分同类目标物体的不同实例；全景分割相比于实例分割，增加了对于背景像素语义标签的标注。图像分割在场景理解、医学图像分析、机器人感知、视频监控、增强现实、图像压缩等领域应用起着至关重要的作用。
[0003]随着深度学习的兴起，特别是全卷积网络(FCN)的出现，图像分割网络在性能上取得了巨大的提升。现有基于深度学习的分割网络主要基于编码
‑
解码结构，通过在编码部分连续下采样、增大感受野、提取逐渐增强的语义特征识别目标，并在解码器部分通过连续的上采样逐渐恢复图像特征分辨率，输出分割结果。现有的基于深度学本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于错误反思学习框架的图像分割方法，其特征在于：对原始输入图像进行z
‑
score标准化以及边缘信息提取；z
‑
score标准化的输出作为已训练的金字塔卷积分割网络的输入，已训练的金字塔卷积分割网络输出预测的分割掩码；将所述边缘信息和预测的分割掩码进行逐元素相加融合，再通过z
‑
score标准化，并输入已训练的金字塔卷积合成网络，输出合成输入图像；将合成输入图像和原始输入图像进行损失计算，迭代优化所述分割掩码。2.根据权利要求1所述的图像分割方法，其特征在于，所述金字塔卷积分割网络包括两个3x3卷积单元、5个金字塔卷积模块和卷积下采样模块串联的编码部分、1个金字塔卷积模块、5个转置卷积上采样模块和金字塔卷积模块串联的解码部分。3.根据权利要求2所述的图像分割方法，其特征在于，金字塔卷积模块n包含n个金字塔残差卷积单元，所述金字塔卷积残差单元包括两个金字塔卷积单元和一个残差连接。4.根据权利要求3所述的图像分割方法，其特征在于，所述金字塔卷积单元包括三条支路，输入特征经过所述三条支路，再通过不同采样因子的双线性上采样将特征插值到相同的大小，然后通过拼接以及3x3卷积操作融合获得输出特征图；第一条支路经过一个3x3卷积单元提取细粒度特征；第二条支路首先通过一个2倍3x3卷积下采样增大感受野，再通过一个3x3卷积单元提取稍微粗粒度的特征信息；第三条支路通过两次2倍3x3卷积下采样获得更大的感受野，再通过一个3x3卷积单元提取比第二条支路更粗粒度的特征信息。5.根据权利要求3所述的图像分割方法，其特征在于，已训练的金字塔卷积合成网络的获得包...

【专利技术属性】
技术研发人员：宋余庆，邱成健，刘哲，尹静，
申请(专利权)人：江苏大学，
类型：发明
国别省市：