[发明专利]图像分割方法及装置、电子设备和计算机可读存储介质

说明书

本发明提出了一种图像分割方法及装置、电子设备和计算机可读存储介质，涉及人工智能技术领域，其中，该方法包括：获取待分割图像；对所述待分割图像进行卷积、激活和池化处理，得到五个池化特征集合；根据所述待分割图像的预定下采样倍数所对应的上采样方式，对所述五个池化特征集合中的指定池化特征集合进行上采样处理；在所述上采样处理的过程中，根据预测掩模与实际掩模的交并比以及所述待分割图像的原有网络分类的掩模得分，计算掩模总得分；通过smooth L2损失函数基于所述掩模总得分对所述上采样处理的最终结果进行分割，得到分割图像。该技术方案，使得卷积神经网络的输出图像得到像素维度的还原，从而提升了图像语义分割的准确性。

【技术领域】

本发明涉及人工智能技术领域，尤其涉及一种图像分割方法及装置、电子设备和计算机可读存储介质。

【背景技术】

对于用于分类的卷积神经网络(Convolutional Neural Networks,CNN)，往往会在网络的最后加入一些全连接层，全连接层输出的内容经过softmax函数处理后就可以获得类别概率信息。

但是，这个获得类别概率信息是一维的，即只能标识整个图片的类别，不能标识每个像素点的类别，尤其在对图像边缘进行处理的时候，效果很不理想。

因此，如何进一步提升图像语义分割的准确性，成为目前亟待解决的技术问题。

【发明内容】

本发明实施例提供了一种图像分割方法及装置、电子设备和计算机可读存储介质，旨在解决相关技术中图像语义分割的准确性不足的技术问题，能够通过反卷积层取代全连接层以及新增另一个全连接层的方式对图像的每个像素点进行分类，以进一步提升图像语义分割的准确性。

第一方面，本发明实施例提供了一种图像分割方法，包括：获取待分割图像；对所述待分割图像进行卷积、激活和池化处理，得到五个池化特征集合；根据所述待分割图像的预定下采样倍数所对应的上采样方式，对所述五个池化特征集合中的指定池化特征集合进行上采样处理；在所述上采样处理的过程中，根据预测掩模与实际掩模的交并比以及所述待分割图像的原有网络分类的掩模得分，计算掩模总得分；通过smooth L2损失函数基于所述掩模总得分对所述上采样处理的最终结果进行分割，得到分割图像。

在本发明上述实施例中，可选地，所述根据所述待分割图像的预定下采样倍数所对应的上采样方式，对所述五个池化特征集合中的指定池化特征集合进行上采样处理的步骤，包括：在所述待分割图像的所述预定下采样倍数为32倍的情况下，对所述五个池化特征集合中的第五池化特征集合进行32倍上采样处理。

在本发明上述实施例中，可选地，所述根据所述待分割图像的预定下采样倍数所对应的上采样方式，对所述五个池化特征集合中的指定池化特征集合进行上采样处理的步骤，包括：在所述待分割图像的所述预定下采样倍数为16倍的情况下，对所述五个池化特征集合中的第五池化特征集合进行2倍上采样处理，得到第一上采样特征集合；将所述第一上采样特征集合与所述五个池化特征集合中的第四池化特征集合进行融合，得到所述上采样处理的所述最终结果。

在本发明上述实施例中，可选地，所述根据所述待分割图像的预定下采样倍数所对应的上采样方式，对所述五个池化特征集合中的指定池化特征集合进行上采样处理的步骤，包括：在所述待分割图像的所述预定下采样倍数为8倍的情况下，对所述五个池化特征集合中的第五池化特征集合进行2倍上采样处理，得到第一上采样特征集合；将所述第一上采样特征集合与所述五个池化特征集合中的第四池化特征集合进行融合，得到融合结果；对所述融合结果进行2倍上采样处理，得到第二上采样特征集合；将所述第二上采样特征集合与所述五个池化特征集合中的第三池化特征集合进行融合，得到所述上采样处理的所述最终结果。

在本发明上述实施例中，可选地，所述上采样处理包括内插值处理和反褶积处理。