[发明专利]场景分割方法、装置、计算机设备及存储介质

说明书

本公开是关于一种场景分割方法、装置、计算机设备及存储介质，涉及机器学习技术领域，本公开将待识别的图像输入深度神经网络，通过下采样模块对图像进行深度可分离卷积，得到尺寸小于所述图像的第一特征图，通过空洞空间金字塔池化模块对第一特征图进行空洞卷积，得到不同尺度的第二特征图，通过上采样模块对不同尺度的第二特征图进行深度可分离卷积，得到与图像尺寸相同的第三特征图，通过分类模块对第三特征图中的每个像素进行分类，得到图像的场景分割结果。本公开可以减少通过深度神经网络进行场景分割的计算量，并且可以保证通过深度神经网络进行场景分割的准确性。

技术领域

本公开涉及机器学习技术领域，尤其涉及场景分割方法、装置、计算机设备及存储介质。

背景技术

场景分割是指针对给定的图像，预测出图像中的每个像素属于哪一种场景的技术，场景分割已经成为当前重要且具有挑战的研究方向，其可以应用于增强现实、虚拟现实以及混合现实等各个领域，应用前景十分广阔。

相关技术中，场景分割的过程可以包括：获取大量的样本图像，每个样本图像的每个像素标注了像素所属的场景；构建初始深度神经网络，采用样本图像对初始深度神经网络进行模型训练，得到深度神经网络；当需要对某一图像进行场景分割时，调用深度神经网络，将该图像输入深度神经网络，通过深度神经网络对图像进行运算，得到该图像的场景分割结果。

深度神经网络的运算量通常较为巨大，运算速度很慢，导致深度神经网络通常无法部署在移动终端上，进而导致移动终端上无法应用上述方法来进行场景分割。

发明内容

本公开提供一种场景分割方法、装置、计算机设备及存储介质，以至少解决相关技术中由于深度神经网络运算量巨大，导致移动终端无法通过深度神经网络进行场景分割的技术问题。本公开的技术方案如下：

根据本公开实施例的第一方面，提供一种场景分割方法，包括：

获取待识别的图像；

将所述图像输入深度神经网络，所述深度神经网络包括下采样模块、空洞空间金字塔池化模块、上采样模块以及分类模块，所述下采样模块以及所述上采样模块均采用了深度可分离卷积结构；

通过所述下采样模块对所述图像进行深度可分离卷积，得到尺寸小于所述图像的第一特征图，通过所述空洞空间金字塔池化模块对所述第一特征图进行空洞卷积，得到不同尺度的第二特征图，通过所述上采样模块对所述不同尺度的第二特征图进行深度可分离卷积，得到与所述图像尺寸相同的第三特征图，通过所述分类模块对所述第三特征图中的每个像素进行分类，得到所述图像的场景分割结果。

在一种可能的实现中，所述下采样模块包括步长大于1的卷积层。

在一种可能的实现中，所述上采样模块与所述下采样模块跨层连接。

在一种可能的实现中，所述上采样模块包括至少一个第一上采样模块以及至少一个第二上采样模块，所述第一上采样模块的输入为所述第二上采样模块输出的特征图与所述第一特征图的拼接结果，所述第二上采样模块为所述第一上采样模块的上一个上采样模块。

在一种可能的实现中，所述获取待识别的图像之前，所述方法还包括：

获取多个样本图像，每个样本图像的每个像素标注了场景标签，所述场景标签表示所述像素所属的场景；

调用初始深度神经网络，所述初始深度神经网络包括下采样模块、空洞空间金字塔池化模块、上采样模块以及分类模块，所述下采样模块以及所述上采样模块均采用了深度可分离卷积结构；

基于所述多个样本图像，对所述初始深度神经网络进行模型训练，得到所述深度神经网络。

在一种可能的实现中，所述获取多个样本图像之前，所述方法还包括：

对所述多个样本图像进行数据增强。