图像分割方法、电子设备及存储介质技术

本申请公开了一种图像分割方法、电子设备及存储介质，图像分割方法包括从图像特征中提取底层特征，从底层特征中提取兴趣区域；通过级联的图层网络得到预测框中的遮挡物注意力系数；将遮挡物注意力系数与兴趣区域进行融合处理得到遮挡物边界数据；基于遮挡物边界数据和遮挡物注意力系数，通过级联的图层网络得到预测框中的被遮挡物注意力系数；将被遮挡物注意力系数与兴趣区域进行融合处理得到被遮挡物边界数据。本申请的方案，通过预测两套注意力系数，即遮挡物注意力系数和被遮挡物注意力系数，将遮挡物和被遮挡物分离为两个图层，兴趣区域是从底层特征中提取到的，不会影响注意力系数的预测，有利于对被遮挡物的识别，有效提高图像分割效果。提高图像分割效果。提高图像分割效果。

【技术实现步骤摘要】
图像分割方法、电子设备及存储介质


[0001]本申请涉及图像处理
，特别是涉及一种图像分割方法、电子设备及存储介质。

技术介绍

[0002]在处理图像数据时，经常会遇见一张图片中存在两相互遮挡的图层。对于两个图层中遮挡物与被遮挡物的分离，一些现有实例分割算法普遍很难应对这样的遮挡情况，对被遮挡物体的检测和分割的质量都会下降，同时对遮挡物体的分割也有可能受到影响，并且，算法的整体耗时随着目标的增多而线性增大，不利于处理有密集目标的场景。

技术实现思路

[0003]本申请至少提供一种图像分割方法、电子设备及存储介质，以解决上述问题。
[0004]本申请第一方面提供了一种图像分割方法，所述方法包括：获取待分割图像，并提取所述待分割图像的图像特征；从所述图像特征中进行检测操作，以预测实例的预测框，并从所述图像特征中提取与实例分割相应的底层特征；依据所述预测框，从所述底层特征中提取兴趣区域；通过级联的图层网络，得到所述预测框中的遮挡物注意力系数；将所述遮挡物注意力系数与所述兴趣区域进行融合处理，以得到遮挡物边界数据；基于所述遮挡物边界数据和遮挡物注意力系数，通过级联的图层网络，得到所述预测框中的被遮挡物注意力系数；将所述被遮挡物注意力系数与所述兴趣区域进行融合处理，以得到被遮挡物边界数据，从而实现图像分割。
[0005]在一些实施例中，所述检测操作包括回归分支学习，以得到相应的回归特征；所述级联的图层网络包括级联的第一图层网络和第二图层网络；所述通过级联的图层网络，得到所述预测框中的遮挡物注意力系数，包括：将所述回归特征输入所述第一图层网络，得到所述预测框中的所述遮挡物注意力系数；所述基于所述遮挡物边界数据和遮挡物注意力系数，通过级联的图层网络，得到所述预测框中的被遮挡物注意力系数，包括：将所述遮挡物边界数据输入所述第二图层网络，并将所述遮挡物注意力系数与所述回归特征进行逐点相乘，输入所述第二图层网络，得到所述预测框中的所述被遮挡物注意力系数。
[0006]在一些实施例中，所述预测框是对所述回归特征进行卷积操作处理得到的。
[0007]在一些实施例中，所述依据所述预测框，从所述底层特征中提取兴趣区域，包括：依据所述预测框，通过ROI Align网络从所述底层特征中提取兴趣区域。
[0008]在一些实施例中，所述将所述遮挡物注意力系数与所述兴趣区域进行融合处理，包括：对所述遮挡物注意力系数和所述兴趣区域进行逐点相乘，得到所述遮挡物边界数据；所述将所述被遮挡物注意力系数与所述兴趣区域进行融合处理，包括：将所述被遮挡物注意力系数与所述兴趣区域进行逐点相乘，得到所述被遮挡物边界数据。
[0009]在一些实施例中，所述遮挡物边界数据包括遮挡物的边界和/或掩模；所述被遮挡物边界数据包括被遮挡物的边界和/或掩模。
[0010]在一些实施例中，级联的图层网络中每个图层网络包括2个卷积网络。
[0011]在一些实施例中，所述提取所述待分割图像的图像特征，包括：将所述待分割图像输入特征金字塔和主干网络中，以得到所述待分割图像的图像特征。
[0012]本申请第二方面提供了一种电子设备，包括相互耦接的存储器和处理器，所述处理器用于执行所述存储器中存储的程序指令，以实现上述第一方面中的图像分割方法。
[0013]本申请第三方面提供了一种非易失性计算机可读存储介质，所述计算机可读存储介质用于存储程序指令，所述程序指令在被处理器执行时，用于实现上述第一方面中的图像分割方法。
[0014]上述方案，获取待分割图像，提取待分割图像的图像特征，从图像特征中进行检测操作，以预测实例的预测框，并从图像特征中提取与实例分割相应的底层特征；依据预测框，从底层特征中提取兴趣区域；通过级联的图层网络，得到预测框中的遮挡物注意力系数，将遮挡物注意力系数与兴趣区域进行融合处理，以得到遮挡物边界数据；基于遮挡物边界数据和遮挡物注意力系数，通过级联的图层网络，得到预测框中的被遮挡物注意力系数，将被遮挡物注意力系数与兴趣区域进行融合处理，以得到被遮挡物边界数据，从而实现图像分割；本申请中的方案，通过预测两套注意力系数，即遮挡物注意力系数和被遮挡物注意力系数，将遮挡物和被遮挡物分离为两个图层，并且兴趣区域是从底层特征中提取到的，不会影响注意力系数的预测，有利于对被遮挡物的识别，有效提高图像分割效果。
[0015]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本申请。
附图说明
[0016]此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本申请的实施例，并与说明书一起用于说明本申请的技术方案。
[0017]图1是本申请实施例中图像分割方法的流程示意图；
[0018]图2是本申请实施例中电子设备的结构示意图；
[0019]图3是本申请实施例中非易失性计算机可读存储介质的结构示意图。
具体实施方式
[0020]下面结合附图和实施例，对本申请作进一步的详细描述。特别指出的是，以下实施例仅用于说明本申请，但不对本申请的范围进行限定。同样的，以下实施例仅为本申请的部分实施例而非全部实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
[0021]在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
[0022]本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。此外，本文中的“多”表示两个或者
多于两个。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。另外，本申请中的术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。
[0023]如上述，对于两个图层中遮挡物与被遮挡物的分离，一些现有实例分割算法普遍很难应对这样的遮挡情况，对被遮挡物体的检测和分割的质量都会下降，同时对遮挡物体的分割也有可能受到影响，并且，算法的整体耗时随着目标的增多而线性增大，不利于处理有密集目标的场景。
[0024]为此，本申请提供一种图像分割方法、电子设备及存储介质，以解决上述问题。
[0025]请参阅图1，图1是本申请实施例中图像分割方法的流程示意图。需注意的是，若有实质上相同的结果，本申请的方法并不以图1所示的流程顺序为限。本方法可以应用于具有计算等功能的电子本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像分割方法，其特征在于，包括：获取待分割图像，并提取所述待分割图像的图像特征；从所述图像特征中进行检测操作，以预测实例的预测框，并从所述图像特征中提取与实例分割相应的底层特征；依据所述预测框，从所述底层特征中提取兴趣区域；通过级联的图层网络，得到所述预测框中的遮挡物注意力系数；将所述遮挡物注意力系数与所述兴趣区域进行融合处理，以得到遮挡物边界数据；基于所述遮挡物边界数据和遮挡物注意力系数，通过级联的图层网络，得到所述预测框中的被遮挡物注意力系数；将所述被遮挡物注意力系数与所述兴趣区域进行融合处理，以得到被遮挡物边界数据，从而实现图像分割。2.根据权利要求1所述的方法，其特征在于，所述检测操作包括回归分支学习，以得到相应的回归特征；所述级联的图层网络包括级联的第一图层网络和第二图层网络；所述通过级联的图层网络，得到所述预测框中的遮挡物注意力系数，包括：将所述回归特征输入所述第一图层网络，得到所述预测框中的所述遮挡物注意力系数；所述基于所述遮挡物边界数据和遮挡物注意力系数，通过级联的图层网络，得到所述预测框中的被遮挡物注意力系数，包括：将所述遮挡物边界数据输入所述第二图层网络，并将所述遮挡物注意力系数与所述回归特征进行逐点相乘，输入所述第二图层网络，得到所述预测框中的所述被遮挡物注意力系数。3.根据权利要求2所述的方法，其特征在于，所述预测框是对所述回归特征进行卷积操作处理得到的。4.根据权利要求1所述的方法，其特征在...

【专利技术属性】
技术研发人员：金湘荃，
申请(专利权)人：浙江零跑科技股份有限公司，
类型：发明
国别省市：