【技术实现步骤摘要】
本专利技术涉及图像处理，特别涉及轻量级图像语义分割方法、装置、设备及可读存储介质。
技术介绍
1、随着计算机视觉技术的发展，图像语义分割在自动驾驶、智能医疗和机器人等领域的应用也越来越深入和广泛。图像语义分割是将图片中每个像素点分类到对应的类别，并找到每个类别对象在图片中的位置，对图像进行精确分割，提供精确的对象边界信息。随着深度学习的发展和计算机硬件性能的不断提升，基于深度卷积神经网络的图像语义分割算法取得了不错的效果。
2、当前为了减少语义分割所产生的计算量通过剪裁或resize来限定输入大小，以降低计算复杂度。尽管这种方法简单而有效，空间细节的损失还是让预测打了折扣，尤其是边界部分，导致度量和可视化的精度下降。因此，当前语义分割模型，由于通过裁剪降低复杂度，使得图像分割效果较差的技术问题。
技术实现思路
1、有鉴于此，本专利技术的目的在于提供一种轻量级图像语义分割方法、装置、设备及可读存储介质，解决了现有技术中图像分割效果差的技术问题。
2、为解决上述技术问题，本专利技术提供了一种轻量级图像语义分割方法，包括：
3、接收输入的待处理图像；
4、利用语义分割网络对所述待处理图像进行处理，得到图像分割结果；其中，所述语义分割网络包括局部特征提取块和全局特征提取块，所述局部特征提取块为利用结构过参数技术设计的结构，所述全局特征提取块为利用批量归一化层和注意力模块实现长距离建模的结构。
5、可选的，所述利用语义分割网络对所述
6、利用四个所述局部特征提取块对所述待处理图像的局部信息进行提取，得到多个局部图像信息；
7、对所述多个局部图像信息进行融合，得到融合局部信息；
8、利用所述全局特征提取块对所述融合局部信息进行长距离建模，得到全局语义信息；
9、将所述全局语义信息与所述多个局部图像信息进行融合，得到多个全局融合信息；
10、将所述多个全局融合信息进行多尺度信息融合，得到多尺度融合信息；
11、利用卷积层和上采样层对所述多尺度融合信息进行还原处理，得到所述图像分割结果；其中，所述还原处理是指将所述多尺度融合信息还原为所述待处理图像输的分辨率大小。
12、可选的，所述将所述全局语义信息与所述多个局部图像信息进行融合，得到多个全局融合信息，包括：
13、通过通道压缩和双线性插值法将所述全局语义信息与所述多个局部图像信息进行融合，得到所述多个全局融合信息。
14、可选的，所述局部特征提取块包括局部训练时结构和局部推理时结构，所述局部训练时结构包括多个深度卷积路径层和非线性激活函数，所述局部推理时结构为通过对所述局部训练时结构进行结构过参数化得到的包括一个深度卷积和所述非线性激活函数的结构。
15、可选的，所述全局特征提取块中的注意力模块由两个卷积层、激活函数层、多尺度卷积注意力层msca组成。
16、可选的，所述多尺度卷积注意力层msca包括msca训练时结构和msca推理时结构，所述msca推理时结构由所述msca训练时结构通过结构重参数化得到，所述msca训练时结构包括多个卷积核大小大于5的卷积层。
17、可选的，利用所述msca训练时结构对数据进行处理的过程，包括：
18、输入数据通过两个卷积核大小不小于5的非对称卷积进行初步长距离建模，得到初始处理图像数据；
19、分别利用9x9深度卷积、11x11深度卷积和13x13深度卷积对所述初始处理图像数据进行处理，得到多个长距离建模数据；
20、将所述初始处理图像数据与所述多个长距离建模数据进行融合，得到全局融合数据；
21、通过1x1卷积层对所述全局融合数据进行处理，并产生卷积注意力权重后与所述输入数据相乘，确定输出结果。
22、本申请还提供了一种轻量级图像语义分割装置，包括：
23、待处理图像接收模块，用于接收输入的待处理图像；
24、轻量级图像语义分割模块，用于利用语义分割网络对所述待处理图像进行处理，得到图像分割结果；其中，所述语义分割网络包括局部特征提取块和全局特征提取块，所述局部特征提取块为利用结构过参数技术设计的结构，所述全局特征提取块为利用批量归一化层和注意力模块实现长距离建模的结构。
25、本申请还提供了一种轻量级图像语义分割设备，包括：
26、存储器，用于存储计算机程序；
27、处理器，用于执行所述计算机程序时实现如上述的轻量级图像语义分割方法。
28、本申请还提供了一种可读存储介质，所述可读存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现如上述的轻量级图像语义分割方法。
29、可见，本专利技术通过接收输入的待处理图像；利用语义分割网络对待处理图像进行处理，得到图像分割结果；其中，语义分割网络包括局部特征提取块和全局特征提取块，局部特征提取块为利用结构过参数技术设计的结构，全局特征提取块为利用批量归一化层和注意力模块实现长距离建模的结构。和当前语义分割网络结构的过于轻量化，导致会出现一种情况是，模型的运行速度很快，能够达到要求，但是分割效果不好，亦或者是模型的鲁棒性不高，容易受光照亮度、图像清晰度等因素的大幅影响，本专利技术提供的轻量级的图像语义分割方法，由于局部特征提取通过结构过参数的方法，可以使训练时的这种多分支结构转化为推理时的单分支结构，使得局部特征提取模块既有优秀的局部特征提取能力，又有高速的计算能力，而全局特征通过利用长距离建模使得有效地将利用局部特征提取模块获取的粗粒度信息与全局特征提取模块获取的高级语义信息融合起来，能够有效提升模型的图像分割质量。
30、此外，本专利技术还提供了一种轻量级图像语义分割装置、设备及可读存储介质，同样具有上述有益效果。
本文档来自技高网...【技术保护点】
1.一种轻量级图像语义分割方法，其特征在于，包括：
2.根据权利要求1所述的轻量级图像语义分割方法，其特征在于，所述利用语义分割网络对所述待处理图像进行处理，得到图像分割结果，包括：
3.根据权利要求2所述的轻量级图像语义分割方法，其特征在于，所述将所述全局语义信息与所述多个局部图像信息进行融合，得到多个全局融合信息，包括：
4.根据权利要求1至3任一项所述的轻量级图像语义分割方法，其特征在于，所述局部特征提取块包括局部训练时结构和局部推理时结构，所述局部训练时结构包括多个深度卷积路径层和非线性激活函数，所述局部推理时结构为通过对所述局部训练时结构进行结构过参数化得到的包括一个深度卷积和所述非线性激活函数的结构。
5.根据权利要求1至3任一项所述的轻量级图像语义分割方法，其特征在于，所述全局特征提取块中的注意力模块由两个卷积层、激活函数层、多尺度卷积注意力层MSCA组成。
6.根据权利要求5所述的轻量级图像语义分割方法，其特征在于，所述多尺度卷积注意力层MSCA包括MSCA训练时结构和MSCA推理时结构，所述MSCA推理
7.根据权利要求6所述的轻量级图像语义分割方法，其特征在于，利用所述MSCA训练时结构对数据进行处理的过程，包括：
8.一种轻量级图像语义分割装置，其特征在于，包括：
9.一种轻量级图像语义分割设备，其特征在于，包括：
10.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现如权利要求1至7任一项所述的轻量级图像语义分割方法。
...【技术特征摘要】
1.一种轻量级图像语义分割方法，其特征在于，包括：
2.根据权利要求1所述的轻量级图像语义分割方法，其特征在于，所述利用语义分割网络对所述待处理图像进行处理，得到图像分割结果，包括：
3.根据权利要求2所述的轻量级图像语义分割方法，其特征在于，所述将所述全局语义信息与所述多个局部图像信息进行融合，得到多个全局融合信息，包括：
4.根据权利要求1至3任一项所述的轻量级图像语义分割方法，其特征在于，所述局部特征提取块包括局部训练时结构和局部推理时结构，所述局部训练时结构包括多个深度卷积路径层和非线性激活函数，所述局部推理时结构为通过对所述局部训练时结构进行结构过参数化得到的包括一个深度卷积和所述非线性激活函数的结构。
5.根据权利要求1至3任一项所述的轻量级图像语义分割方法，其特征在于，所述全局特征提取块中的注意力模块由...
【专利技术属性】
技术研发人员：邹磊，韩雪超，卢天华，倪军，
申请(专利权)人：杭州安脉盛智能技术有限公司，
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。