[发明专利]一种图像分割方法、装置、设备及可读存储介质

权利要求书

1.一种图像分割的处理方法，其特征在于，所述方法应用于卷积神经网络中，所述卷积神经网络包括层次化语义感知网络，其中，所述层次化语义感知网络又包括：骨干网络、层次化特征细化模块、交叉尺度金字塔融合模块；所述方法包括：

将图像输入所述层次化语义感知网络进行实时语义分割，所述图像输入所述骨干网络后，将不同级别的图像特征聚合，统一图像分辨率；

将统一分辨率后的图像输入所述层次化特征细化模块对图像进行细化，恢复图像原始特征；

将恢复图像原始特征后的图像输入所述交叉尺度金字塔融合模块对图像每个像素进行分类；

将分类后的图像输入所述交叉尺度金字塔融合模块尾部的分割头，将图像分割后得到和原图像大小一样的特征图。

2.根据权利要求1所述的方法，其特征在于，所述层次化特征细化模块包括：多级特征聚合层和双重注意力模块，所述将统一分辨率后的图像输入所述层次化特征细化模块对图像进行细化，恢复图像原始特征，包括：

将统一分辨率后的图像输入所述多级特征聚合层，自底向上直接对网络的不同层次化的特征进行聚合，同时收集细节和语义信息；

通过所述双重注意力模块在通道和空间关系之间建立关联获得特征依赖关系，补偿语义差距。

3.根据权利要求2所述的方法，其特征在于，所述双重注意力模块包括：通道注意力模块和空间注意力模块，所述通过所述双重注意力模块在通道和空间关系之间建立关联获得特征依赖关系，补偿语义差距，包括：

通过所述通道注意力模块强调每一维通道之间的依赖程度，改进通道内的语义特征；

通过所述空间注意力模块建立图像中不同像素点之间的关联关系，探索周边信息，优化语义特征；

使用上述两模块并行对粗糙的特征进行细化处理。

4.根据权利要求1所述的方法，其特征在于，所述交叉尺度金字塔融合模块由四条并行的分支同时学习局部特征和全局特征；

所述局部特征提取过程设置三条分支，所述三条分支以交叉方式融合信息；

所述全局特征提取过程设置一条分支，所述分支为具有池化的分支。

5.根据权利要求1所述的方法，其特征在于，所述层次化语义感知网络中包含三个分割头，分别布置于层次化特征细化模块和交叉尺度金字塔融合模块中；

所述层次化特征细化模块额外连接辅助构件，所述辅助构件包括两个分割头，分别对空间细节和语义特征添加约束，以在模型训练阶段增强语义信息；

所述交叉尺度金字塔融合模块尾部设置一个分割头，用于引导浅层信息传递的准确性，进行特征图的预测。

6.根据权利要求1所述的方法，其特征在于，所述分割头由3×3卷积层和1×1卷积层两部分组成。

7.一种图像分割的处理装置，其特征在于，所述装置可以应用于卷积神经网络中，所述卷积神经网络包括层次化语义感知网络，所述装置包括：

骨干网络模块，用于将图像进行实时语义分割，并把不同级别的图像特征聚合，统一图像分辨率；

层次化特征细化模块，用于将统一分辨率后的图像进行细化，恢复图像原始特征；

交叉尺度金字塔融合模块，用于将恢复原始特征后的图像的每个像素进行分类，并将图像分割后得到和原图像大小一样的特征图；

模型训练模块，用于根据辅助构件对空间细节和语义特征添加约束，增强语义信息。

8.根据权利要求7所述的装置，其特征在于，所述层次化语义感知网络模块还包括：

多级特征聚合模块，用于根据自底向上的方式直接对网络的不同层次化的特征进行聚合，同时收集细节和语义信息；

通道注意力模块，用于强调每一维通道之间的依赖程度，改进通道内的语义特征；

空间注意力模块，用于建立图像中不同像素点之间的关联关系，探索周边信息，优化语义特征。