用于部位级图像分割的实例-语义融合分割方法技术

本发明专利技术公开了用于部位级图像分割的实例‑语义融合分割方法，首先，对输入图像进行预处理，使用Faster R‑CNN网络进行前景目标检测，同时得到区域提议网络生成的候选区域特征。然后，构建一个目标部位分割分支获取部位分割掩码，采用部位感知分割损失对部位分割掩码进行约束，部位感知分割损失结合多种像素级损失函数提高目标不同部位的分割精度。最后，使用渐进式训练策略，先对目标检测分支进行充分训练，然后与目标部位分割分支同时训练，提升网络检测与分割质量。本发明专利技术解决了现有图像分割方法对于目标部位识别不足的问题。

【技术实现步骤摘要】

本专利技术属于图像处理，具体涉及用于部位级图像分割的实例-语义融合分割方法。

技术介绍

1、随着计算机视觉和深度学习技术的飞速发展，图像分割作为其中的关键任务之一，受到了广泛关注。图像分割旨在将图像划分为多个具有语义意义的区域，这对于许多实际应用如医学影像分析、自动驾驶、工业生产等至关重要。

2、随着应用要求的提高，不仅需要识别图像中的整体目标，还需要对目标的各个部位进行精确分割，即部位级图像分割任务。部位级图像分割结合了目标检测与语义部位分割的特点，能够进行更细致的场景分析和应用处理。

3、目标检测旨在从图像或视频中自动识别出前景目标，并同时给出这些目标的位置信息(通常是边界框坐标)和类别标签。它是许多其他计算机视觉任务，如目标跟踪的基础，并在现实应用中扮演着关键的角色。基于深度学习的目标检测方法在近年来取得了显著的进展，按照处理流程可以分为两阶段目标检测算法和单阶段目标检测算法。两阶段算法首先通过区域建议网络生成候选目标区域，然后对这些候选区域进行分类和精细化定位，如r-cnn系列。单阶段算法在单一前向传播中完成目标检测任务，通本文档来自技高网...

【技术保护点】

1.用于部位级图像分割的实例-语义融合分割方法，其特征在于，包括：

2.根据权利要求1所述的用于部位级图像分割的实例-语义融合分割方法，其特征在于，使用其对得到的多尺度卷积特征进行处理。

3.根据权利要求2所述的用于部位级图像分割的实例-语义融合分割方法，其特征在于，所述步骤1具体按照以下步骤实施：

4.根据权利要求3所述的用于部位级图像分割的实例-语义融合分割方法，其特征在于，所述步骤1.4中，目标检测头包含分类分支、回归分支和中心度分支，分类分支生成预测类别分数、回归分支生成目标边界框回归参数、中心度分支会输出一个中心度值。p>

5.根据权...

【技术特征摘要】

1.用于部位级图像分割的实例-语义融合分割方法，其特征在于，包括：

2.根据权利要求1所述的用于部位级图像分割的实例-语义融合分割方法，其特征在于，使用其对得到的多尺度卷积特征进行处理。

3.根据权利要求2所述的用于部位级图像分割的实例-语义融合分割方法，其特征在于，所述步骤1具体按照以下步骤实施：

4.根据权利要求3所述的用于部位级图像分割的实例-语义融合分割方法，其特征在于，所述步骤1.4中，目标检测头包含分类分支、回归分支和中心度分支，分类分支生成预测类别分数、回归分支生成目标边界框回归参数、中心度分支会输出一个中心度值。

5.根据权利要求4所述的用于部位级图像分割的实例-语义融合分割方法，其特征在...

【专利技术属性】
技术研发人员：金海燕，陈锦涛，张园林，王彬，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：