[发明专利]目标对象的识别方法和装置

权利要求书

1.一种目标对象的识别方法，其特征在于，包括：

获取包含目标对象的第一图像；

利用U形全卷积神经网络模型对所述第一图像进行图像分割，得到所述目标对象的边界，其中，所述U形全卷积神经网络模型采用水平集损失函数；

其中，所述水平集损失函数通过如下方式确定：

确定输入至所述U形全卷积神经网络模型的输出层的结果为第一水平集，并确定所述输出层输出的结果为第二水平集；

获取所述第一水平集的形状和所述第二水平集的形状；

基于所述第一水平集的形状和所述第二水平集的形状，得到所述水平集损失函数；

获取所述第一水平集的形状，包括：

获取所述第一水平集的第一函数值，以及所述第一图像的真值水平集的第二函数值；

基于所述第一函数值和所述第二函数值，得到所述第一水平集的形状；

获取所述第二水平集的形状，包括：

获取输入至所述输出层的多个概率值，以及每个概率值对应的真值；

基于每个概率值和对应的真值，得到所述每个概率值的乘积；

获取所述多个概率值的乘积之和，得到所述第二水平集的形状。

2.根据权利要求1所述的方法，其特征在于，所述U形全卷积神经网络模型包括：编码模型和解码模型，

所述编码模型包括：多个第一网络块，所述第一网络块包括：依次连接的至少两个第一卷积层，所述第一卷积层采用修正线性单元激活函数和池化操作，所述第一网络块中的最后一个第一卷积层与下一个第一网络块中的第一个第一卷积层连接；

所述解码模型包括：多个第二网络块和输出层，所述第一网络块和所述第二网络块的数量相同，所述第二网络块包括：依次连接的级联层和至少两个第二卷积层，所述级联层与对应的第一网络块和上一个第二网络块中的最后一个第二卷积层连接，所述级联层与所述对应的第一网络块采用复制和合并的跳跃连接方式连接，所述输出层与最后一个第二网络块中的最后一个第二的旁侧输出层连接，所述输出层采用所述水平集损失函数。

3.根据权利要求2所述的方法，其特征在于，所述池化操作包括如下之一：最大池化操作和均值池化操作。

4.根据权利要求2所述的方法，其特征在于，基于所述第一函数值和所述第二函数值，得到所述第一水平集的形状，包括：

获取所述第二函数值和所述第一函数值之差，得到差值；

获取所述差值的绝对值，得到绝对值；

获取所述绝对值的平方，得到平方值；

获取所述平方值的积分，得到所述第一水平集的形状。

5.根据权利要求2所述的方法，其特征在于，在获取真值水平集的第二函数值之后，所述方法还包括：

基于水平集转换函数对所述第二函数值进行处理，得到处理后的第二函数值；

对所述处理后的第二函数值进行归一化处理，得到归一化函数值；

基于所述第一函数值和所述归一化函数值，得到所述第一水平集的形状。

6.根据权利要求2所述的方法，其特征在于，基于每个概率值和对应的真值，得到所述每个概率值的乘积，包括：

获取所述每个概率值的对数，得到所述每个概率值的对数值；

获取所述每个概率值的对数值和对应的真值的乘积，得到所述每个概率值的乘积。

7.根据权利要求2所述的方法，其特征在于，基于所述第一水平集的形状和所述第二水平集的形状，得到所述水平集损失函数，包括：

获取所述第一水平集的形状和第一参数的乘积，得到第一乘积；

获取所述第二水平集的形状和第二参数的乘积，得到第二乘积；

获取所述目标对象的边界的长度和第三参数的乘积，得到第三乘积；

获取所述目标对象所在区域的积分值和第四参数的乘积，得到第四乘积，其中，所述积分值用于表征连接所述目标对象所在区域的内部和外部；

获取所述第一乘积、所述第二乘积、所述第三乘积和所述第四乘积之和，得到所述水平集损失函数。