[发明专利]一种图像分割方法及系统

说明书

本发明公开了一种图像分割方法及系统。其中，该方法包括：获取样本数据；根据所述样本数据，提取抽象特征；根据所述抽象特征，生成所述样本数据的概率分布信息；根据所述概率分布信息确定样本类别，并获取上采样特征；将所述上采样特征与所述分类概率分布信息进行融合，得到分类结果。本发明解决了现有技术中无法减少模型整体的参数量，提高泛化能力，具有相关性的任务之间共享部分参数的技术问题。

技术领域

本发明涉及图像处理领域，具体而言，涉及一种图像分割方法及系统。

背景技术

图像分割与图像分类是计算机视觉领域中的重要研究方向。图像分割用于提取图像中的目标区域，目前广泛应用于机器视觉，指纹识别，卫星图像定位，行人检测等领域。图像识别是计算机视觉领域最常见的任务，也是很多其他高级视觉任务的基础，例如物体跟踪和行为分析等。图像分类广泛应用于各种领域，包括人脸识别，交通场景识别，相册自动归类，医学图像识别等。图像分割与分类共存于许多图像识别任务中，例如在一些医学图像处理中，分割任务是分类任务的前提，图像分类需要引入目标区域这一特征信息。因此，开发同时应用于分割与分类的多任务图像识别系统具有重要的意义。

目前，卷积神经网络在计算机视觉领域应用广泛，对于一些特殊的图像识别任务，可能需要同时获取其分类标签与分割区域。然而现有的方法将这两个任务单独进行处理，忽略了两个任务之间的相关性。此外，对于图像识别任务，卷积神经网络在提取抽象特征时，并未考虑到不同的像素点所产生的影响并不一致的特性，降低了学习的特征的有效性。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

针对以上问题，本发明提出了一种基于区分性注意力机制(attention)嵌入多任务网络的图像识别方法及系统，本发明首先构造了一个上分支的多任务学习的网络结构。首先使用U-net的编码器作为共同特征提取器，在分类任务网络分支中，扩展了解码器的分支，并添加了用于分类任务的全局平均池化和全连接层，在训练过程中，可以针对不同类别分别训练特定的解码器参数；此外，通过添加类激活映射(CAM)机制，来获取分割先验信息。在分割任务分支中，将获得的分割先验信息作为相应类别的attention融入到分割模块的解码器中，实现图像的高效分割及分类。本发明使用了多任务网络能减少模型整体的参数量，提高泛化能力，具有相关性的任务之间共享部分参数，能在训练中相互提升性能。另外，获取的attent ion可以用来提取关键目标区域，进一步提升性能。

本发明实施例提供了一种图像分割方法及系统，以至少解决现有技术中无法减少模型整体的参数量，提高泛化能力，具有相关性的任务之间共享部分参数的技术问题。

根据本发明实施例的一个方面，提供了一种图像分割方法，包括：获取样本数据；根据所述样本数据，提取抽象特征；根据所述抽象特征，生成所述样本数据的概率分布信息；根据所述概率分布信息确定样本类别，并获取上采样特征；将所述上采样特征与所述分类概率分布信息进行融合，得到分类结果。

可选的，在所述获取样本数据之后，所述方法还包括：将所述样本数据进行预处理，其中，所述预处理包括：尺寸处理、通道处理、归一化处理。

可选的，所述概率分布信息包括：分类概率数据、区分性注意力机制数据。

可选的，所述根据所述抽象特征，生成所述样本数据的概率分布信息包括：通过分类器获取所述分类概率数据；将所述分类概率数据进行上采样及归一化处理，得到所述区分性注意力机制数据。

根据本发明实施例的另一方面，还提供了一种图像分割系统，包括：获取模块，用于获取样本数据；提取模块，用于根据所述样本数据，提取抽象特征；概率模块，用于根据所述抽象特征，生成所述样本数据的概率分布信息；上采样模块，用于根据所述概率分布信息确定样本类别，并获取上采样特征；融合模块，用于将所述上采样特征与所述分类概率分布信息进行融合，得到分类结果。