[发明专利]一种基于深度学习的图像分割系统

权利要求书

1.一种基于深度学习的图像分割系统，包括特征提取单元，部件分割单元，部件匹配单元，部件融合单元和优化单元,其特征在于：特征提取单元，用于利用卷积神经网络提取输入图像的特征，生成多个特征图；部件分割单元，用于利用卷积神经网络对图像中的物体的各个组成部件分别进行分割，生成各个组成部件的部件特征图及部件分割图；部件匹配单元，用于利用卷积神经网络由每个组成部件的部件特征图各推导生成一个全类别分割图，计算并输出部件匹配分值；部件融合单元，用于利用卷积神经网络将每个组成部件的部件特征图对应进行融合，生成一个全类别分割图，计算并输出部件融合分值；优化单元，用于利用卷积神经网络的损失计算层、部件匹配分值及部件融合分值，更新卷积神经网络参数及各个组成部件的部件特征图，更新并输出优化后的部件分割图；

部件分割单元，利用卷积神经网络的反卷积层、卷积层、损失计算层，以及多个特征图，对图像中的物体的各个组成部件分别进行分割，生成各个组成部件的部件特征图及部件分割图，包括：

a.对特征图进行反卷积操作，生成反卷积图；

b.对反卷积图进行归一化操作，生成归一化后的反卷积图；

c.对归一化后的反卷积图进行上采样操作，生成部件特征图；

d.调整上述步骤的参数后进行若干次重复计算；

e.训练网络时，重复上述步骤，直至损失达到阈值；

f.输出各个组成部件的部件特征图及部件分割图；

部件匹配单元，利用卷积神经网络的反卷积层、卷积层、损失计算层，以及各个组成部件的部件特征图，对图像中的物体进行整体分割，即由每个组成部件的部件特征图各推导生成一个全类别分割图，并根据生成的多个全类别分割图之间的相似性，计算并输出部件匹配分值，包括：

a.对各个组成部件的部件特征图进行卷积操作，生成各个组成部件的卷积图；

b.对各个组成部件的卷积图进行上采样操作，生成尺寸增大的各个组成部件的卷积图；

c.将尺寸增大的各个组成部件的卷积图进行融合；

d.调整上述步骤的参数后进行若干次重复计算；

e.训练网络时，重复上述步骤，直至损失达到阈值；

f.输出由各个组成部件分别推导出的全类别分割图；

g.计算当前部件与其余部件的全类别分割图两两之间的相似性，并将相似性的平均值作为当前部件的部件匹配分值输出。

2.根据权利要求1所述的基于深度学习的图像分割系统，其特征在于：特征提取单元，利用卷积神经网络的卷积层、池化层、归一化层，提取输入图像的特征，生成多个特征图；部件分割单元，利用卷积神经网络的反卷积层、卷积层、损失计算层，以及多个特征图，对图像中的物体的各个组成部件分别进行分割，生成各个组成部件的部件特征图及部件分割图；部件匹配单元，利用卷积神经网络的反卷积层、卷积层、损失计算层，以及各个组成部件的部件特征图，对图像中的物体进行整体分割，即由每个组成部件的部件特征图各推导生成一个全类别分割图，并根据生成的多个全类别分割图之间的相似性，计算并输出部件匹配分值；部件融合单元，利用卷积神经网络的反卷积层、卷积层、损失计算层，以及各个组成部件的部件特征图，对图像中的物体进行整体分割，即将每个组成部件的部件特征图对应进行融合，生成一个全类别分割图，并根据生成全类别分割图的完整性，计算并输出部件融合分值；优化单元，利用卷积神经网络的损失计算层、部件匹配分值及部件融合分值，更新卷积神经网络参数及各个组成部件的部件特征图，更新并输出优化后的部件分割图。

3.根据权利要求2所述的图像分割系统，其特征在于：特征提取单元，利用卷积神经网络的卷积层、池化层、归一化层，提取输入图像的特征，生成多个特征图，包括：

a.对输入图像进行卷积操作，生成卷积图；

b.对卷积图进行归一化操作，生成归一化后的卷积图；

c.对归一化后的卷积图进行池化操作，生成特征图；

d.调整上述步骤的参数后进行若干次重复计算；

e.达到预设的计算次数时，输出多组参数下生成的特征图。