[发明专利]基于密集网络图像的分割、识别方法和装置

权利要求书

1.基于密集网络图像的分割、识别方法，其特征在于，包括：

使用卷积层作为特征提取器来捕获密集网络图像的分层特征，将得到的多尺度的特征图输入到编码模块，同时，利用跳跃连接，将不同尺度的特征图与编码模块中对应尺度的特征图连接；

运用编码模块对特征图进行下采样和语义特征提取，运用解码模块对特征图进行上采样并恢复详细信息，获得多尺度特征图；

对稠密反卷积操作得到的输出特征图进行链式残差池化操作，其中，所述输出特征图是对所述多尺度特征图进行稠密反卷积操作后得到的；

利用深度分级监督在得到的三个边界细化块上捕获局部上下文信息。

2.根据权利要求1所述的基于密集网络图像的分割、识别方法，其特征在于，所述使用卷积层作为特征提取器来捕获密集网络图像的分层特征，将得到的多尺度的特征图输入到编码模块，同时，利用跳跃连接，将不同尺度的特征图与编码模块中对应尺度的特征图连接，包括：

使用卷积层作为特征提取器来捕获密集网络图像的多个分层特征图；

将所述多个分层特征图逐一进行自适应卷积操作，得到多个卷积层；

利用残差网络提取卷积特征得到多尺度特征图，将所述多个不同尺度的特征图利用跳跃连接，与编码模块中对应尺度的边界细化块连接。

3.根据权利要求2所述的基于密集网络图像的分割、识别方法，其特征在于，所述运用编码模块对特征图进行下采样和语义特征提取，运用解码模块对特征图进行上采样并恢复详细信息，获得多尺度特征图，包括：

运用编码模块对所述特征图进行下采样和语义特征提取，得到基于密集网络图像的多层次多尺度的特征；

运用解码模块对所述特征图进行上采样并恢复详细信息，获得特征响应信息；

将所述多层次多尺度的特征和所述特征响应信息合成为所述多尺度特征图。

4.根据权利要求3所述的基于密集网络图像的分割、识别方法，其特征在于，所述对稠密反卷积操作得到的输出特征图进行链式残差池化操作，其中，所述输出特征图是对所述多尺度特征图进行稠密反卷积操作后得到的，包括：

对所述多尺度特征图进行稠密反卷积操作得到所述输出特征图；

对所述输出特征图进行链式残差池化操作，且，应用修正线性激活函数操作提高所述输出特征图的池化效率。

5.根据权利要求4所述的基于密集网络图像的分割、识别方法，其特征在于，所述利用深度分级监督在得到的三个边界细化块上捕获局部上下文信息，包括：

将获取到的所有边界细化块按照时序进行位置排序；

对最后三个所述边界细化块进行深度分级监督，以捕获基于密集网络图像的局部上下文信息。

6.基于密集网络图像的分割、识别装置，其特征在于，包括：

卷积模块，用于使用卷积层作为特征提取器来捕获密集网络图像的分层特征，将得到的多尺度的特征图输入到编码模块，同时，利用跳跃连接，将不同尺度的特征图与编码模块中对应尺度的特征图连接；

多尺度特征图获取模块，用于运用编码模块对特征图进行下采样和语义特征提取，运用解码模块对特征图进行上采样并恢复详细信息，获得多尺度特征图；

池化操作模块，用于对稠密反卷积操作得到的输出特征图进行链式残差池化操作，其中，所述输出特征图是对所述多尺度特征图进行稠密反卷积操作后得到的；

监督模块，用于利用深度分级监督在得到的三个边界细化块上捕获局部上下文信息。

7.根据权利要求6所述的基于密集网络图像的分割、识别装置，其特征在于，所述卷积模块，包括：

捕获单元，用于使用卷积层作为特征提取器来捕获密集网络图像的多个分层特征图；

卷积层操作单元，用于将所述多个分层特征图逐一进行自适应卷积操作，得到多个卷积层；

跳跃连接单元，用于利用残差网络提取卷积特征得到多尺度特征图，将多个不同尺度的特征图利用跳跃连接，与编码模块中对应尺度的边界细化块连接。