[发明专利]一种图像分割分类方法和装置

权利要求书

1.一种图像分割分类方法，其特征在于，包括以下步骤：

S1建立图像分割分类网络模型，同时实现图像帧的分割与分类；所述分割分类的网络模型包括上下文信息提取通路和空间信息提取通路，所述上下文信息提取通路和所述空间信息提取通路通讯连接，且所述上下文信息提取通路输出图像分类结果；所述空间信息提取通路输出图像分割结果；

S2训练所述分割分类的网络模型，使所述网络模型达到预设标准。

2.如权利要求1所述的图像分割分类方法，其特征在于，所述上下文信息提取通路包括两个支路，其中一个支路输出所述图像帧的场景状态的类别；另一个支路与所述空间信息提取通路连接，将所述上下文信息提取通路输出特征值输送至所述空间信息提取通路得到包括上下文信息和空间信息的特征图，并输出所述特征图作为所述图像帧的分割结果。

3.如权利要求2所述的图像分割分类方法，其特征在于，所述上下文信息提取通路包括依次连接的Conv3*3-BN-ReLU模块，Pooling层，倒残差模块组，Conv1*1-BN-ReLU模块、全局均值池化模块和分类器，经过所述分类器输出图像帧场景状态的类别，其中，所述上下文信息提取通路中，所述倒残差模块组包括依次连接的第一倒残差模块组、第二倒残差模块组和第三倒残差模块组，其中，所述第二倒残差模块组输出的特征图A经过模块注意力精炼模块处理，进入双线性插值采样层进行双线性插值采样操作，经过所述双线性差值采样操作的特征图A记为up1；所述Conv1*1-BN-ReLU模块输出的特征图B经过模块注意力精炼处理后，与所述全局均值池化模块输出的特征图C相乘，得到特征图D，所述特征图D经过双线性插值采样操作后记为up2，将up1与up2串联，得到特征图E，并将所述特征图E输入所述空间信息提取通路。

4.如权利要求3所述的图像分割分类装置，其特征在于，所述，空间信息提取通路包括依次连接的深度可分离卷积模块、第一DenseNet模块、第一DenseNet过渡层、第二DenseNet模块和第二DenseNet过渡层，第二DenseNet过渡层输出的特征图F与特征图E一起输入特征融合模块进行处理，获得融合后的特征图G，对输出特征图G进行双线性插值操作，获得稀疏特征图H，特征图H经过一个Conv1*1层处理后，获得输入图像每个像素对应的类别，即图像分割结果。

5.如权利要求1-4任一项所述的图像分割分类方法，其特征在于，所述分割分类的网络模型包括：采集并标注训练数据，初步训练分割分类的网络模型测试，判断经过初步训练的所述分割分类网络模型处理每张图像帧的速度、分类精度和分割精度是否达到所述预设标准，重复该步骤，直到得到符合预设标准的分割分类网络模型。

6.如权利要求5所述的图像分割分类方法，其特征在于，所述预设标准为分割和分类的精度大于精度标准值且处理每张图像帧的速度小于速度标准值。

7.如权利要求6所述的图像分割分类方法，其特征在于，所述处理每张图像帧的速度、分类精度和分割精度的方法具体为：

根据处理完所有待测所述图像帧所用总时间和待测所述图像帧总张数的比值，获得所述分割分类的网络模型处理每张图像帧的速度；

和/或根据类别预测正确的图像帧总张数与测试图像帧的总张数的比值，获得所述分割分类的网络模型的分类精度；

和/或根据所述分割分类的网络模型对测试图像帧的分割结果与测试图像帧的人工标注分割结果，计算分割区域的交并比，获得所述分割分类的网络模型的分割精度。

8.如权利要求5或6所述的图像分割分类方法，其特征在于，所述步骤S1中，训练所述分割分类的网络模型采用学习率变化的训练方式，所述学习率的计算公式如下：

其中，“learning_rate”表示训练过程当前迭代次数的学习率，“lr₀”表示初始学习率，“iter”表示当前迭代次数，“max_iter”表示最大迭代次数。