[发明专利]基于稀疏特征的深度学习图像分割方法及装置

说明书

本申请提出一种基于稀疏特征的深度学习图像分割方法及装置，该方法通过将带有分割标注信息的原始图像输入到待训练的图像分割神经网络中，对原始图像进行特征提取获取小于原始图像尺寸的目标特征图像，结合目标特征图像上每个分割目标点的坐标信息和坐标补偿信息，获取与原始图像对应的包含语义信息的分割结果，训练图像分割神经网络，得到图像分割神经网络的网络参数，并通过具有网络参数的图像分割神经网络对待处理的目标图像进行图像分割。由此通过改进图像分割神经网络的结构，并基于小于原始图像尺寸的目标特征图像训练图像分割神经网络，减少图像分割神经网络所需要计算量，减少训练图像分割神经网络所需的训练时间，提高了训练效率。

技术领域

本申请涉及计算机技术领域，尤其涉及一种基于稀疏特征的深度学习图像分割方法及装置。

背景技术

图像分割是计算机视觉的一项核心技术，在无人驾驶、机器人导航、图像识别等应用场合均有着重要的作用。图像分割的主要目的是，把图像划分成若干的互相没有重合的区域，主要应用于对人像、动物以及自然场景以及各种带有明显语义信息的事物的分割。

目前，主流的图像分割算法是通过深度学习分割框架对图像进行分割，且已经取得了较好的效果。其中，深度学习分割框架对图像进行分割大致过程为：将待分割图像输入到深度学习分割框架中，通过卷积神经网络对待分割图像进行下采样，得到较小尺寸的下采样特征图，随后将较小尺寸的下采样特征图，逐步上采样到与待分割图像尺寸相同的上采样特征图像，并根据上采样特征图像得到分割结果。

相关技术中，在通过应深度学习分割框架进行图像分割之前，需要通过训练图像对深度学习分割框架进行训练，然而，在实现本申请的过程中，发明人发现在训练上述深度学习分割框架的过程中，由于待训练的深度学习分割框架需要将训练图像的下采样特征图像逐步上采样到与训练图像尺寸相同的上采样特征图像，而上采样操作所需计算量较大，因此，训练深度学习分割框架所耗时较长，并且，由于训练好的深度学习框架对待处理图像进行图像分割时，也会将对应下采样特征图像逐步上采样到与待分割图像尺寸相同的上采样特征图，从而使得上述图像分割方式很难满足对实时性要求较高场景的图像分割需求。

发明内容

本申请旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本申请的第一个目的在于提出一种基于稀疏特征的深度学习图像分割方法。

本申请的第二个目的在于提出一种基于稀疏特征的深度学习图像分割装置。

本申请的第三个目的在于提出一种电子设备。

本申请的第四个目的在于提出一种计算机可读存储介质。

本发明的第五个目的在于提出一种计算机程序产品。

为达上述目的，本申请第一方面实施例提出了一种基于稀疏特征的深度学习图像分割方法，包括：将带有分割标注信息的原始图像输入到待训练的图像分割神经网络，对所述原始图像进行特征提取获取目标特征图像，其中，所述目标特征图像的第二尺寸小于所述原始图像的第一尺寸；获取与所述目标特征图像上每个分割目标点对应的坐标补偿信息；根据所述目标特征图像上每个分割目标点的坐标信息和所述对应的坐标补偿信息，获取与所述原始图像对应的包含语义信息的分割结果，训练所述图像分割神经网络，当训练结束后获取所述图像分割神经网络的网络参数；将待处理的目标图像输入到具有所述网络参数的图像分割神经网络，获取与所述目标图像对应的包含语义信息的分割结果。