[发明专利]图像中像素的实例类别确定方法、装置、设备及存储介质

权利要求书

1.一种图像中像素的实例类别确定方法，其特征在于，所述方法包括：

获取待检测图像，所述待检测图像中包括目标数量的实例；

对所述待检测图像进行下采样处理，得到共享特征；

采用连通域分区域聚类方法对所述共享特征进行语义分割处理，得到语义特征；

对所述共享特征进行实例分析处理，得到实例特征；所述实例特征包括所述待检测图像中每个像素的空间位置特征；

将所述语义特征与所述实例特征进行融合，确定所述待检测图像中每个像素的融合特征；

根据所述待检测图像中每个像素的融合特征，确定所述待检测图像中每个像素的实例类别。

2.根据权利要求1所述的方法，其特征在于，所述确定所述待检测图像中每个像素的实例类别的步骤之后，所述方法还包括：

通过密度聚类算法，确定每个实例类别对应的像素集；

响应于在显示界面的触发操作，根据所述每个实例类别对应的像素集，展示所述待检测图像中每个实例对应的图像。

3.根据权利要求1所述的方法，其特征在于，所述语义特征包括所述待检测图像的背景特征和前景特征；所述采用连通域分区域聚类方法对所述共享特征进行语义分割处理，得到语义特征包括：

采用连通域分区域聚类方法对所述共享特征进行语义分割处理，得到所述待检测图像的背景特征和前景特征；

相应的，所述采用连通域分区域聚类方法对所述共享特征进行语义分割处理，得到所述待检测图像的背景特征和前景特征的步骤之后，所述方法还包括：

确定所述待检测图像的背景特征的第一掩码以及所述前景特征的第二掩码。

4.根据权利要求3所述的方法，其特征在于，所述实例特征还包括所述待检测图像中每个像素的纹理特征，所述对所述共享特征进行实例分析处理，得到实例特征包括：

对所述共享特征进行实例分析处理，得到所述待检测图像中每个像素的纹理特征和空间位置特征；

相应的，所述将所述语义特征与所述实例特征进行融合，确定所述待检测图像中每个像素的融合特征包括：

将所述待检测图像的背景特征的第一掩码与所述待检测图像中背景对应像素的纹理特征、空间位置特征进行融合，得到第一融合结果；

将所述待检测图像的前景特征的第二掩码与所述待检测图像中前景对应像素的纹理特征、空间位置特征进行融合，得到第二融合结果；

根据所述第一融合结果与所述第二融合结果，确定所述待检测图像中每个像素的融合特征。

5.根据权利要求1所述的方法，其特征在于，所述对所述待检测图像进行下采样处理，得到共享特征包括：

提取所述待检测图像的边缘纹理特征集；

根据所述待检测图像的边缘纹理特征集，确定边缘纹理结合特征；

对所述边缘纹理结合特征进行归一化正态分布处理，得到归一化特征；

对所述归一化特征进行非线性映射处理，得到所述共享特征。

6.根据权利要求1所述的方法，其特征在于，所述采用连通域分区域聚类方法对所述共享特征进行语义分割处理，得到语义特征包括：

通过语义分支网络对所述共享特征进行语义分割处理，得到语义特征；

所述对所述共享特征进行实例分析处理，得到实例特征包括：

通过实例分支网络对所述共享特征进行实例分析处理，得到实例特征。

7.根据权利要求6所述的方法，其特征在于，所述通过语义分支网络对所述共享特征进行语义分割处理，得到语义特征的步骤之前，所述方法还包括：

构建第一网络的交叉熵损失函数；

构建第二网络的类内聚合度损失函数与类间区别度损失函数；

将所述交叉熵损失函数、所述类内聚合度损失函数与所述类间区别度损失函数之和确定为综合损失函数；

分别调整所述第一网络与所述第二网络的参数，得到当前第一网络与当前第二网络；

计算所述当前第一网络、所述当前第二网络对应的综合损失值；

当所述综合损失值小于预设阈值时，将所述当前第一网络确定为所述语义分支网络，将所述当前第二网络确定为所述实例分支网络。