【技术实现步骤摘要】
本公开的实施例涉及计算机，具体涉及待标注图像分割方法、装置、电子设备和计算机可读介质。
技术介绍
1、随着机器视觉与计算机视觉的发展，视觉类的深度学习模型被广泛应用，视觉类的深度学习模型通常需要大量的图像标注数据进行训练。为了提高图像标注数据的准确性，在对图像进行标注之前需要对待标注图像进行图像分割。待标注图像分割，是对待标注图像进行图像分割的一项技术。目前，在对待标注图像进行图像分割时，通常采用的方式为：通过基于边缘检测的图像分割技术对待标注图像进行分割。
2、然而，专利技术人发现，当采用上述方式对待标注图像进行图像分割时，经常会存在如下技术问题：
3、第一，通过基于边缘检测的图像分割技术对待标注图像进行分割，没有考虑图像中的语义信息，无法理解图像内容和语境。边缘检测只提取了图像中物体的边缘信息，忽略了物体的内部特征和上下文信息，使得分割出现错判次数较多，导致得到的分割图像的分割准确率较低。
4、继续地，专利技术人发现，在采用技术方案对待标注图像进行分割时，进一步存在如下技术问题：
5、...
【技术保护点】
1.一种待标注图像分割方法，包括：
2.根据权利要求1所述的方法，其中，所述物体标签预测模型包括：输入层、卷积层、线性激活函数层、瓶颈层、上采样层、池化层、全连接层和输出层，以及
3.根据权利要求1所述的方法，其中，所述视觉语义检索模型包括：词嵌入层、编码器层、文本特征拼接层、图像特征提取神经网络、平均池化层与拼接层，以及
4.根据权利要求3所述的方法，其中，所述基于所述融合特征向量和所述待标注图像，生成相似度图，包括：
5.根据权利要求1所述的方法，其中，所述分割模型包括：输入层、特征金字塔网络、注意力机制层与分割解码
<...【技术特征摘要】
1.一种待标注图像分割方法，包括：
2.根据权利要求1所述的方法，其中，所述物体标签预测模型包括：输入层、卷积层、线性激活函数层、瓶颈层、上采样层、池化层、全连接层和输出层，以及
3.根据权利要求1所述的方法，其中，所述视觉语义检索模型包括：词嵌入层、编码器层、文本特征拼接层、图像特征提取神经网络、平均池化层与拼接层，以及
4.根据权利要求3所述的方法，其中，所述基于所述融合特征向量和所述待标注图像，生成相似度图，包括：
【专利技术属性】
技术研发人员：胡征慧，孟晋州，刘庆杰，王蕴红，
申请(专利权)人：北京航空航天大学杭州创新研究院，
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。