[发明专利]图像分割方法、装置、计算机设备和存储介质

说明书

本申请涉及一种图像分割方法、装置、计算机设备和存储介质，图像分割方法中的神经网络模型不包含传统的图像分割模型中的目标检测网络，其建立预分割的图像中不同对象与神经网络模型输出特征图的通道的对应关系，基于该对应关系可以在输入图像后直接得到包含预设数量个通道的特征图，该特征图的各个通道分别对应输入图像中不同的目标对象，在此基础上，再基于特征图的各个通道分割图像得到分割结果。因此，该方法简化了实例分割模型的网络结构，实例分割效率高。

技术领域

本申请涉及计算机视觉技术领域，特别是涉及一种图像分割方法、装置、计算机设备和存储介质。

背景技术

随着深度学习的发展和智能终端的普及，图像分割的应用越来约广泛。例如，快速而准确的多人人像分割是现阶段具有需求的技术之一。多人人像分割是实例分割的一种，现有实例分割方法大多面向多类别分割问题，其流程均包含了包括检测在内的多个操作，较为复杂。

以近年来应用最为广泛的Mask R-CNN算法为例，其模型包括卷积网络、Regionproposal network、ROI Align以及检测分类、检测框回归、分割等网络层。其缺陷表现为：模型网络复杂、使用占据资源多；在卷积外还使用了多种自定义的操作，难以在多种不同平台中实现与优化；将检测框区域的特征采样到同一较小尺寸后得到对应分割结果，分割边缘的精确度较低。

此外，尽管在一些针对人像分割的方法中提出了“自底向上”的分割流程，如Richeimer，Bounding Box Embedding for Single Shot Person InstanceSegmentation,arXiv preprint arXiv:1807.07674(2018)，但是，此类图像分割方法仍包含人体检测或关键点检测等操作，其实施具有较高的模型复杂度，难以适用于实际需求。

发明内容

基于此，有必要针对上述技术问题，提供一种能够快速准确的实现的图像分割的方法、装置、计算机设备和存储介质。

第一方面，本申请提出了一种图像分割方法，所述方法包括：

将包含至少一个目标对象的图像输入训练好的神经网络模型，获得具有预设数量个通道的特征图，其中，所述预设数量大于等于图像中目标对象的最大可能数量，所述特征图的每个通道对应不同的至多一个目标对象，对于对应了一个第一目标对象的特征图通道，该特征图通道中有与所述第一目标对象对应的第一区域，所述第一区域与所述第一目标对象在所述图像中的所占区域相对应；所述第一目标对象为所述图像中的任一目标对象；

根据所述特征图的通道得到所述图像的分割结果。

在其中一个实施例中，所述方法还包括：

获取包含至少一个目标对象的训练图像；

对所述训练图像中的各个目标对象所占的区域分别进行标注，根据标注的训练图像生成标注特征图，所述标注特征图具有预设数量个通道，标注特征图的每个通道对应不同的至多一个目标对象，对于对应了一个第二目标对象的标注特征图通道，该标注特征图通道中有与所述第二目标对象对应的第二区域，所述第二区域与所述第二目标对象在所述训练图像中的所占区域相对应；所述第二目标对象为所述训练图像中的任一目标对象；

采用所述训练图像和标注特征图对神经网络模型进行训练，得到训练好的神经网络模型。

在其中一个实施例中，所述采用所述训练图像和标注特征图对神经网络模型进行训练，得到训练好的神经网络模型，包括：

将所述训练图像输入神经网络模型，获得训练特征图；

根据训练特征图和标注特征图，计算神经网络模型的损失函数值；

基于所述损失函数值对所述神经网络模型的参数进行更新，得到训练好的神经网络模型。