[发明专利]图像特征提取方法、装置、电子设备及存储介质

说明书

本申请实施例提供一种图像特征提取方法、装置、电子设备及存储介质，属于图像技术领域。该方法通过对待处理图像提取的M个不同层级特征进行两次处理后，获得M层第一中间特征和M层第二中间特征，然后再将这M层第一中间特征和M层第二中间特征进行融合，获得的M层图像特征，通过该方式获得的每层图像特征中可以包含信息较为均衡的M个不同层级特征，即每层图像特征中包括信息比较均衡的高层信息和低层信息，由于低层信息对于某些细节信息比较敏感，能够提供对定位和分割较为有益的信息，通过上述对特征的多次处理，让高层网络更容易、更全面地获取低层信息，从而可以使得高层信息与低层信息更为均衡，实现对大小物体均衡的分割效果。

技术领域

本申请涉及图像技术领域，具体而言，涉及一种图像特征提取方法、装置、电子设备及存储介质。

背景技术

实例分割是计算机视觉领域非常重要的方向，其在无人驾驶、家居机器人等领域有着非常广阔的应用。此任务结合了语义分割和物体检测的特点，而对于输入图像的每一个物体，都会为每一个物体生成一个独立的像素级别的掩膜，并且预测其对应的类别，所以，为了对输入图像中的每个物体进行更好的预测，现有技术中通过对输入的图像进行特征提取，然后利用现有的掩膜区域卷积神经网络(Mask Region-Convolutional NeuralNetwork，Mask R-CNN)的特征金字塔网络(feature pyramid networks，FPN)结构对提取的特征进行融合，最后获得的特征中包括的高层信息较多，而由于高层信息对大物体的识别效果较好，但是低层信息对小物体的识别效果较好，所以，通过上述方式最后获得的特征包含的高层信息与低层信息不均衡，使得后续利用该最后获得的特征进行实例分割时对大小物体的识别效果相差较大。

发明内容

本申请实施例的目的在于提供一种图像特征提取方法、装置、电子设备及存储介质，以使高层网络更容易、更全面地获取低层信息，从而可以使得高层信息与低层信息更为均衡，实现对大小物体均衡的分割效果。

第一方面，本申请实施例提供了一种图像特征提取方法，所述方法包括：获取待处理图像，对所述待处理图像进行特征提取，获得M个不同层级特征，M为大于等于2的整数；将所述M个不同层级特征按照第一层级方向进行处理，获得M层第一中间特征，以及将所述M个不同层级特征按照与所述第一层级方向相反的第二层级方向进行处理，获得M层第二中间特征；将所述M层第一中间特征及所述M层第二中间特征进行处理，获得M层图像特征。

在上述实现过程中，通过对待处理图像提取的M个不同层级特征进行两次处理后，获得M层第一中间特征和M层第二中间特征，然后再将这M层第一中间特征和M层第二中间特征进行融合，获得的M层图像特征，通过该方式获得的每层图像特征中可以包含信息较为均衡的M个不同层级特征，即每层图像特征中包括信息比较均衡的高层信息和低层信息，由于低层信息对于某些细节信息比较敏感，能够提供对定位和分割较为有益的信息，通过上述对特征的多次处理，让高层网络更容易、更全面地获取低层信息，从而可以使得高层信息与低层信息更为均衡，实现对大小物体均衡的分割效果。

可选地，所述M个不同层级特征中第i个层级特征的级别小于第i+1层级特征的级别，将所述M层第一中间特征及所述M层第二中间特征进行处理，获得M层图像特征，包括：将第1层第一中间特征确定为所述M层图像特征中的第1层图像特征；依次取i为2至M，将第i层第一中间特征与第i-1层第二中间特征进行融合，获得第i层图像特征，在i为M时，共获得M-1层图像特征。

在上述实现过程中，对M层第一中间特征和M层第二中间特征进行上述处理后获得的M层图像特征，使得M层图像特征中包括第1层第一中间特征以及每次对M层第一中间特征和M层第二中间特征进行融合后的融合特征，通过上述对特征的多次处理，让高层网络更容易、更全面地获取低层信息，从而可以使得高层信息与低层信息更为均衡，实现对大小物体均衡的分割效果。