[发明专利]用于分割图像的方法、装置、设备和计算机可读介质

说明书

本公开的实施例公开了用于分割图像的方法、装置、设备和计算机可读介质。该方法的一具体实施方式包括：将输入图像输入预先训练的通用子网络，得到通用特征；将输入图像输入预先训练的特定任务子网络，得到特定任务特征；基于注意力机制网络，将该通用特征添加到该特定任务特征上，得到目标任务特征；对该特定任务特征进行解码操作，得到融合特征；利用渐进网络对该目标任务特征和该融合特征进行集成，得到该输入图像的分割图。该实施方式实现了基于特定任务特征对图像进行分割。

技术领域

本公开的实施例涉及计算机技术领域，具体涉及用于分割图像的方法、装置、设备和计算机可读介质。

背景技术

显著物体分割是计算机视觉的重要基础问题，对物体识别、目标跟踪以及图像解析等任务具有重要意义。

已有的显著物体分割方法有很多。传统的方法主要考虑利用全局和局部的视觉特征对比来突出显著物体。基于深度学习的方法主要利用深度神经网络提取特征并利用神经网络进行特征映射和解析从而分割出显著对象。目前基于深度学习的图像显著物体显著对象分割方法很多而且性能优越。目前的方法都是在研究常规图像的显著物体分割，还没有方法研究特定任务的图像显著物体分割。由于特定任务图像中存在着众多困难的问题，导致显著物体分割很难进行，其中最重要的问题就是缺少任务相关知识，严重影响方法预测。

发明内容

本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开的一些实施例提出了用于分割图像的方法、装置、设备和计算机可读介质，来解决以上背景技术部分提到的技术问题。

第一方面，本公开的一些实施例提供了一种用于分割图像的方法，该方法包括：将输入图像输入预先训练的通用子网络，得到通用特征；将输入图像输入预先训练的特定任务子网络，得到特定任务特征；基于注意力机制网络，将上述通用特征添加到上述特定任务特征上，得到目标任务特征；对上述特定任务特征进行解码操作，得到融合特征；利用渐进网络对上述目标任务特征和上述融合特征进行集成，得到上述输入图像中的显著物体的分割图。

第二方面，本公开的一些实施例提供了一种用于分割图像的装置，装置包括：第一生成模块，被配置成将输入图像输入预先训练的通用子网络，得到通用特征，其中，上述通用子网络是利用常规数据集训练完成的；第二生成模块，被配置成将输入图像输入预先训练的特定任务子网络，得到特定任务特征，其中，上述特定任务子网络包括至少一个编码阶段；添加模块，被配置成基于注意力机制网络，将上述通用特征添加到上述特定任务特征上，得到目标任务特征；解码模块，被配置成对上述特定任务特征进行解码操作，得到融合特征；集成模块，被配置成利用渐进网络对上述目标任务特征和上述融合特征进行集成，得到上述输入图像中的显著物体的分割图。

第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一的方法。

第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面中任一的方法。

本公开的上述各个实施例中的一个实施例具有如下有益效果：首先，将输入图像输入预先训练的通用子网络，得到通用特征；其次，将输入图像输入预先训练的特定任务子网络，得到特定任务特征；然后，基于注意力机制网络，将上述通用特征添加到上述特定任务特征上，得到目标任务特征；之后，对上述特定任务特征进行解码操作，得到融合特征；最后，利用渐进网络对上述目标任务特征和上述融合特征进行集成，得到上述输入图像中的显著物体的分割图。该实施方式提出了基于特定任务特征对图像进行分割。

附图说明