[发明专利]一种从影像中提取目标对象的方法及系统

权利要求书

1.一种从影像中提取目标对象的方法，其特征在于，所述方法包括以下步骤：

S1:接收输入的影像和目标对象提取请求，所述提取请求用于指示需要提取的目标对象；

S2:调用语义分割深度学习模型，提取所述影像中的目标对象的特征信息；

S3:基于提取得到目标对象的特征信息，输出目标对象的影像。

2.根据权利要求1所述的方法，其特征在于，所述语义分割深度学习模型包括特征提取网络模块，所述特征提取网络模块具有基于通道分组的横连残差网络结构，所述特征提取网络模块将影像转为多通道特征图，并对特征图通道进行细分，得到不同通道间的特征信息，所述特征提取网络模块采用多个阶段依次提取的方式得到目标对象在不同阶段的特征信息，通过横向连接结构将不同阶段通道分组间的特征相融合，得到目标对象的第一特征信息。

3.根据权利要求2所述的方法，其特征在于，所述语义分割深度学习模型还包括多尺度空间注意力模块，所述多尺度空间注意力模块接收所述特征提取网络模块发送的所述目标对象的所述第一特征信息，聚合影像中不同区域的上下文语义信息，结合所述上下文语义信息收集不同尺度、不同层次的特征信息，获取影像中目标对象的空间关系，得到目标对象的第二特征信息。

4.根据权利要求3所述的方法，其特征在于，所述语义分割深度学习模型还包括逐级上采样解码模块，所述逐级上采样解码模块接收所述多尺度空间注意力模块发送的第二特征信息，将所述第二特征信息和所述特征提取网络模块采用多个阶段依次提取的方式得到的目标对象在不同阶段的特征信息进行融合，通过双线性插值进行逐级上采样，得到目标对象的第三特征信息。

5.根据权利要求3所述的方法，其特征在于，通过以下方式生成对尺度特征：

其中，FA_i表示特征图，ζ(·)表示横向连接结构，σ(·)表示批量归一化和修正线性单元ReLU激活函数，表示转置卷积操作。

6.一种从影像中提取目标对象的系统，其特征在于，所述系统包括：

接收单元，用于接收输入的影像和目标对象提取请求，所述提取请求用于指示需要提取的目标对象；

提取单元，用于调用语义分割深度学习模型，提取所述影像中的目标对象的特征信息；

输出单元，用于基于提取得到目标对象的特征信息，输出目标对象的影像。

7.根据权利要求6所述的系统，其特征在于，所述语义分割深度学习模型包括特征提取网络模块，所述特征提取网络模块具有基于通道分组的横连残差网络结构，所述特征提取网络模块将影像转为多通道特征图，并对特征图通道进行细分，得到不同通道间的特征信息，所述特征提取网络模块采用多个阶段依次提取的方式得到目标对象在不同阶段的特征信息，通过横向连接结构将不同阶段通道分组间的特征相融合，得到目标对象的第一特征信息。

8.根据权利要求7所述的系统，其特征在于，所述语义分割深度学习模型还包括多尺度空间注意力模块，所述多尺度空间注意力模块接收所述特征提取网络模块发送的所述目标对象的所述第一特征信息，聚合影像中不同区域的上下文语义信息，结合所述上下文语义信息收集不同尺度、不同层次的特征信息，获取影像中目标对象的空间关系，得到目标对象的第二特征信息。

9.根据权利要求8所述的系统，其特征在于，所述语义分割深度学习模型还包括逐级上采样解码模块，所述逐级上采样解码模块接收所述多尺度空间注意力模块发送的第二特征信息，将所述第二特征信息和所述特征提取网络模块采用多个阶段依次提取的方式得到的目标对象在不同阶段的特征信息进行融合，通过双线性插值进行逐级上采样，得到目标对象的第三特征信息。

10.根据权利要求8所述的系统，其特征在于，通过以下方式生成对尺度特征：

其中，FA_i表示特征图，ζ(·)表示横向连接结构，σ(·)表示批量归一化和修正线性单元ReLU激活函数，表示转置卷积操作。