[发明专利]一种图像语义分割方法和计算机设备

权利要求书

1.一种图像语义分割方法，其特征在于，应用于语义分割模型，所述语义分割模型包括轻量级神经网络、增强金字塔网络、分类网络和条形注意力网络；所述图像语义分割方法包括：

将待处理图像输入所述轻量级神经网络，得到轻量特征图；

将所述轻量特征图输入所述增强金字塔网络，得到拼接特征图；

将所述拼接特征图输入所述分类网络，得到多张分类特征图；

对于每张分类特征图，将该分类特征图输入所述条形注意力网络，得到该分类特征图对应的注意力特征图，将该分类特征图和该注意力特征图相加，得到该分类特征图对应的语义特征图；

根据多张语义特征图确定语义分割结果；

所述增强金字塔网络包括：第一池化金字塔模块、第二池化金字塔模块、第三池化金字塔模块、第四池化金字塔模块、第一全局平均池化模块和第二全局平均池化模块；所述将所述轻量特征图输入所述增强金字塔网络，得到拼接特征图，具体包括：

将所述轻量特征图分别输入所述第一池化金字塔模块、所述第二池化金字塔模块、所述第三池化金字塔模块、所述第四池化金字塔模块、所述第一全局平均池化模块和所述第二全局平均池化模块，通过所述第一池化金字塔模块得到第一特征图，通过所述第二池化金字塔模块得到第二特征图，通过所述第三池化金字塔模块得到第三特征图，通过所述第四池化金字塔模块得到第四特征图，通过所述第一全局平均池化模块得到第五特征图，以及通过所述第二全局平均池化模块得到第六特征图；

将所述第一特征图、所述第二特征图、所述第三特征图、所述第四特征图、所述第五特征图和所述第六特征图，在通道维度进行拼接，以得到拼接特征图；

所述条形注意力网络包括：第一注意力模块和第二注意力模块；所述将该分类特征图输入所述条形注意力网络，得到该分类特征图对应的注意力特征图，具体包括：

将该分类特征图输入所述第一注意力模块，得到第一条形特征图；

将该分类特征图输入所述第二注意力模块，得到第二条形特征图；

将所述第一条形特征图和所述第二条形特征图相乘，得到注意力特征图。

2.根据权利要求1所述的语义分割方法，其特征在于，所述第一池化金字塔模块包括：1*1的全局平均池化层和第一卷积层；所述第二池化金字塔模块包括：2*2的全局平均池化层和第二卷积层；所述第三池化金字塔模块包括：3*3的全局平均池化层和第三卷积层；所述第四池化金字塔模块包括：6*6的全局平均池化层和第四卷积层；所述第一全局平均池化模块包括：1*None的第一池化层和第五卷积层；所述第二全局平均池化模块包括：None*1第二池化层和第六卷积层；其中，所述第一卷积层、所述第二卷积层、所述第三卷积层、所述第四卷积层、所述第五卷积层、所述第六卷积层均为1*1卷积层，所述1*None的第一池化层，用于对所述轻量特征图的每一行进行平均池化，所述None*1第二池化层，用于对所述轻量特征图的每一列进行平均池化。

3.根据权利要求1所述的语义分割方法，其特征在于，所述第一注意力模块包括：1*None的第三池化层和1*3的第七卷积层；所述第二注意力模块包括：None*1的第四池化层和3*1的第八卷积层，其中，所述1*None的第三池化层，用于对所述分类特征图的每一行进行平均池化，所述None*1第四池化层，用于对所述分类特征图的每一列进行平均池化。

4.根据权利要求1所述的语义分割方法，其特征在于，所述多张语义特征图各自分别对应不同的类别，对于每张语义特征图，该语义特征图包括每个像素点属于该语义特征图对应的类别的概率；所述根据多张语义特征图确定语义分割结果，具体包括：

对于每个像素点，在所述多张语义特征图中确定该像素点对应的最大概率，将所述最大概率对应的类别标识作为该像素点的类别标识；

根据每个像素点各自分别对应的类别标识，得到所述待处理图像对应的语义分割结果。