基于深度学习的图像分割方法及装置
专利汇可以提供基于深度学习的图像分割方法及装置专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种基于 深度学习 的 图像分割 方法及装置，其中，方法包括：使用轮廓数据集对轮廓分支进行训练，并使用带类平衡的交叉熵lossc_side对训练的轮廓分支进行约束，通过梯度反向传播更新轮廓分支的参数，在lossc_side收敛后，固定轮廓分支的参数，以得到轮廓分支网络模型；使用自有数据集对形状分支进行训练，并使用losss对训练的形状分支进行约束，通过梯度反向传播更新形状分支的参数，以得到形状分支网络模型；根据轮廓分支网络模型和形状分支网络模型对待分割图像进行预测，以得到待分割图像的分割结果。该方法实现对图像中前景物体的分割，从而可以在不使用交互指导下提高图像分割的准确率，简单易实现。，下面是基于深度学习的图像分割方法及装置专利的具体信息内容。
1.一种基于深度学习的图像分割方法，其特征在于，包括以下步骤：
使用轮廓数据集对轮廓分支进行训练，并使用带类平衡的交叉熵lossc_side对训练的轮廓分支进行约束，通过梯度反向传播更新所述轮廓分支的参数，在lossc_side收敛后，固定所述轮廓分支的参数，以得到轮廓分支网络模型；
使用自有数据集对形状分支进行训练，并使用losss对训练的所述形状分支进行约束，通过所述梯度反向传播更新所述形状分支的参数，以得到形状分支网络模型；以及根据所述轮廓分支网络模型和所述形状分支网络模型对待分割图像进行预测，以得到所述待分割图像的分割结果。
2.根据权利要求1所述的基于深度学习的图像分割方法，其特征在于，所述根据所述轮廓分支网络模型和所述形状分支网络模型对待分割图像进行预测，进一步包括：
输入所述待分割图像在所述形状分支网络模型的多个池化层之后得到形状特征图，并将所述形状特征图上采样到预设分辨率后拼接构成前景形状特征图金字塔；
输入所述待分割图像在所述轮廓分支网络模型的多个池化层之后得到轮廓特征图，并将所述轮廓特征图上采样到所述预设分辨率后拼接构成前景轮廓特征图金字塔。
3.根据权利要求2所述的基于深度学习的图像分割方法，其特征在于，所述根据所述轮廓分支网络模型和所述形状分支网络模型对待分割图像进行预测，以得到所述待分割图像的分割结果，进一步包括：
通过多层感知器融合所述前景形状特征图金字塔和所述前景轮廓特征图金字塔，以得到所述待分割图像的分割结果。
4.根据权利要求1-3任一项所述的基于深度学习的图像分割方法，其特征在于，所述待分割图像包括所述待分割图像的高、待分割图像的宽和待分割图像的通道数中的一种或多种。
5.根据权利要求1所述的基于深度学习的图像分割方法，其特征在于，其中，形状分支和多层感知器训练式为：
其中，Npos、Nneg和Ntotal分别表示CGT中为是轮廓的像素数、不是轮廓的像素数和总像素数，lpos表示轮廓的标注值，lneg表示为不是轮廓的标注值，CGT表示轮廓数据集中每张训练图片Itrain对应的前景掩码标注图片；
形状分支及多层感知器的losss为：
losss＝αlosss_side+(1-α)losss_main，
其中，α是制衡特征loss和主路loss比重的参数，losss_side和losss_main为类平衡的交叉熵。
6.一种基于深度学习的图像分割装置，其特征在于，包括：
轮廓分支网络模型训练模块，用于使用轮廓数据集对轮廓分支进行训练，并使用带类平衡的交叉熵lossc_side对训练的轮廓分支进行约束，通过梯度反向传播更新所述轮廓分支的参数，在lossc_side收敛后，固定所述轮廓分支的参数，以得到轮廓分支网络模型；
形状分支网络模型训练模块，用于使用自有数据集对形状分支进行训练，并使用losss对训练的所述形状分支进行约束，通过所述梯度反向传播更新所述形状分支的参数，以得到形状分支网络模型；以及
融合模块，用于根据所述轮廓分支网络模型和所述形状分支网络模型对待分割图像进行预测，以得到所述待分割图像的分割结果。
7.根据权利要求6所述的基于深度学习的图像分割装置，其特征在于，所述融合模块进一步用于输入所述待分割图像在所述形状分支网络模型的多个池化层之后得到形状特征图，并将所述形状特征图上采样到预设分辨率后拼接构成前景形状特征图金字塔；并输入所述待分割图像在所述轮廓分支网络模型的多个池化层之后得到轮廓特征图，并将所述轮廓特征图上采样到所述预设分辨率后拼接构成前景轮廓特征图金字塔。
8.根据权利要求7所述的基于深度学习的图像分割装置，其特征在于，所述融合模块进一步用于通过多层感知器融合所述前景形状特征图金字塔和所述前景轮廓特征图金字塔，以得到所述待分割图像的分割结果。
9.根据权利要求6-8任一项所述的基于深度学习的图像分割装置，其特征在于，所述待分割图像包括所述待分割图像的高、待分割图像的宽和待分割图像的通道数中的一种或多种。
10.根据权利要求8所述的基于深度学习的图像分割装置，其特征在于，其中，形状分支和多层感知器训练式为：
其中，Npos、Nneg和Ntotal分别表示CGT中为是轮廓的像素数、不是轮廓的像素数和总像素数，lpos表示轮廓的标注值，lneg表示为不是轮廓的标注值，CGT表示轮廓数据集中每张训练图片Itrain对应的前景掩码标注图片；
形状分支及多层感知器的losss为：
losss＝αlosss_side+(1-α)losss_main，
其中，α是制衡特征loss和主路loss比重的参数，losss_side和losss_main为类平衡的交叉熵。
基于深度学习的图像分割方法及装置
技术领域
背景技术
别求出其前景分量、背景分量以及前景的透明值，从而将前景从图像中分割出来。
割结果依赖于交互、初始标注质量等且耗时较长；使用深度学习方法进行分割往往不能很
好的处理分割的精确度。
发明内容
量批处理的情形；随着深度学习技术的广泛应用，许多借助深度学习进行图像分割的方法
也被提出，但这些方法或是由于特征空间与图像空间存在偏差难以在轮廓边缘进行精确分
割，或是借助RNN(Recurrent Neural Network，循环神经网络)等以时间作为代价提高描述
轮廓的序列的准确性。
lossc_side对训练的轮廓分支进行约束，通过梯度反向传播更新所述轮廓分支的参数，在
lossc_side收敛后，固定所述轮廓分支的参数，以得到轮廓分支网络模型；使用自有数据集对
形状分支进行训练，并使用losss对训练的所述形状分支进行约束，通过所述梯度反向传播
更新所述形状分支的参数，以得到形状分支网络模型；根据所述轮廓分支网络模型和所述
形状分支网络模型对待分割图像进行预测，以得到所述待分割图像的分割结果。
物体的分割，从而可以在不使用交互指导下提高图像分割的准确率，简单易实现。
支网络模型的多个池化层之后得到形状特征图，并将所述形状特征图上采样到预设分辨率
后拼接构成前景形状特征图金字塔；输入所述待分割图像在所述轮廓分支网络模型的多个
池化层之后得到轮廓特征图，并将所述轮廓特征图上采样到所述预设分辨率后拼接构成前
景轮廓特征图金字塔。
通过多层感知器融合所述前景形状特征图金字塔和所述前景轮廓特征图金字塔，以得到所
述待分割图像的分割结果。
练图片Itrain对应的前景掩码标注图片；
带类平衡的交叉熵lossc_side对训练的轮廓分支进行约束，通过梯度反向传播更新所述轮廓
分支的参数，在lossc_side收敛后，固定所述轮廓分支的参数，以得到轮廓分支网络模型；形
状分支网络模型训练模块，用于使用自有数据集对形状分支进行训练，并使用losss对训练
的所述形状分支进行约束，通过所述梯度反向传播更新所述形状分支的参数，以得到形状
分支网络模型；融合模块，用于根据所述轮廓分支网络模型和所述形状分支网络模型对待
分割图像进行预测，以得到所述待分割图像的分割结果。
物体的分割，从而可以在不使用交互指导下提高图像分割的准确率，简单易实现。
采样到预设分辨率后拼接构成前景形状特征图金字塔；并输入所述待分割图像在所述轮廓
分支网络模型的多个池化层之后得到轮廓特征图，并将所述轮廓特征图上采样到所述预设
分辨率后拼接构成前景轮廓特征图金字塔。
分割结果。
练图片Itrain对应的前景掩码标注图片；
具体实施方式
图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
lossc_side收敛后，固定轮廓分支的参数，以得到轮廓分支网络模型。
轮廓分支的参数。
像，在此仅作为一种示例，不做具体限定。
It1之前可以对losss_side使用较大的权重如α＝0.8，随着迭代次数的增加，可以不断减弱α
的值直到α＝0。需要说明的是，形状分支也可以称为掩码分支。
RGB图像，在网络模型中间得到的形状特征图金字塔Fp，轮廓特征图金字塔Cp的分辨率同为
640×480，分别有4通道；最终得到的二值前景掩码M的分辨率为640×480，通道数为1。
层之后得到形状特征图，并将形状特征图上采样到预设分辨率后拼接构成前景形状特征图
金字塔；输入待分割图像在轮廓分支网络模型的多个池化层之后得到轮廓特征图，并将轮
廓特征图上采样到预设分辨率后拼接构成前景轮廓特征图金字塔。
练图片Itrain对应的前景掩码标注图片。
形状特征图Fi(i＝1,2,…,4)，将特征图Fi分别上采样到h*w分辨率后进行拼接构成特征图
金字塔Fp。其中网络可以使用在常见分类数据集上的预训练权重，再在自有数据集即具有
特定前景集的数据集上与最后的多层感知器(层数可以为3)一同进行有监督的训练。
结果。其中网络的训练使用轮廓数据集，每张训练图片Itrain都有对应的前景掩码标注图片
CGT，使用如下带类平衡的交叉熵lossc_side约束轮廓特征图金字塔Cp中每一层的结果
output,其中Npos,Nneg,Ntotal分别表示CGT中为是轮廓的像素数，不是轮廓的像素数，总像素
数，lpos表示为是轮廓的标注值，lneg表示为不是轮廓的标注值，且轮廓分支的参数不会在形
状分支和多层感知器训练式更新：
合前景形状特征图金字塔和前景轮廓特征图金字塔，以得到待分割图像的分割结果。
的形状特征图金字塔Fp使用losss_side的带类平衡的交叉熵loss进行约束，同时使用交叉熵
losss_main去约束多层感知器的输出结果M，即最终形状分支及多层感知器的losss如下，其
中losss_side，losss_main与lossc_side的定义相近，α是制衡特征loss和主路loss比重的参数：
得到前景分割对应的掩码结果，实现对图像中前景物体的分割，从而可以在不使用交互指
导下提高图像分割的准确率，简单易实现。
廓分支的参数，在lossc_side收敛后，固定轮廓分支的参数，以得到轮廓分支网络模型。形状
分支网络模型训练模块200用于使用自有数据集对形状分支进行训练，并使用losss对训练
的形状分支进行约束，通过梯度反向传播更新形状分支的参数，以得到形状分支网络模型。
融合模块300用于根据轮廓分支网络模型和形状分支网络模型对待分割图像进行预测，以
得到待分割图像的分割结果。本发明实施例的装置10根据训练好的轮廓分支网络模型和形
状分支网络模型对待分割图像进行预测，以得到最终的分割结果，实现对图像中前景物体
的分割，从而可以在不使用交互指导下提高图像分割的准确率，简单易实现。
率后拼接构成前景形状特征图金字塔；并输入待分割图像在轮廓分支网络模型的多个池化
层之后得到轮廓特征图，并将轮廓特征图上采样到预设分辨率后拼接构成前景轮廓特征图
金字塔。
练图片Itrain对应的前景掩码标注图片；
得到前景分割对应的掩码结果，实现对图像中前景物体的分割，从而可以在不使用交互指
导下提高图像分割的准确率，简单易实现。
隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三
个等，除非另有明确具体的限定。
部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员
而言，可以根据具体情况理解上述术语在本发明中的具体含义。
第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示
第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第
一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不
必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任
一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技
术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结
合和组合。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 分支预测方法、分支预测单元及处理器核 | 2020-05-08 | 965 |
| 基于候选框选择的深度学习遥感影像目标检测方法及装置 | 2020-05-14 | 341 |
| 一种基于时空约束的长时目标跟踪方法 | 2020-05-15 | 253 |
| 一种中低压线路多功能自动换相系统及其换相方法 | 2020-05-14 | 163 |
| 一种路面缺陷检测方法、装置及存储介质 | 2020-05-12 | 536 |
| 针对弥漫性和串联性病变中冠状动脉疾病的非侵入性评估和治疗指导 | 2020-05-12 | 610 |
| 煤层底板递进导升定点定量动态监测系统实验装置 | 2020-05-13 | 500 |
| 基于改进YOLOv3的快速车辆检测方法 | 2020-05-08 | 298 |
| 用于使用宽频带滤波器生成的填充信号对已编码的多声道信号进行编码或解码的装置 | 2020-05-12 | 83 |
| 基于深层信息传递网络的眼底图像分割方法 | 2020-05-12 | 181 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
