[发明专利]实例分割方法、装置、电子设备及存储介质

说明书

本申请提供一种实例分割方法、装置、电子设备及计算机可读存储介质。该实例分割方法包括：获取训练好的实例分割模型中的第一子网络、第二子网络以及包含待分割物体的目标图像；分别对第一子网络、第二子网络进行转换处理，得到第一加速执行模型、第二加速执行模型；调用第一加速执行模型对目标图像进行特征提取处理，得到目标图像的第一特征数据；根据第一特征数据进行预测处理，得到目标图像的第二特征数据；调用第二加速执行模型对第二特征数据进行预测处理，得到目标图像的实例分割结果。本申请中可以避免高精度的实例分割模型无法直接加载至推理优化器上的问题，在保证分割精度的基础上，使得实例分割模型可以在实时性上得到提升。

技术领域

本申请涉及计算机视觉技术领域，具体涉及一种实例分割方法、装置、电子设备及计算机可读存储介质。

背景技术

计算机视觉是用各种成像系统代替视觉器官作为输入敏感手段，由计算机来代替大脑完成处理和解释。

其中，实例分割是计算机视觉中的常用处理任务。实例分割，是对图像中每个物体进行区分和标注。实例分割对于行为识别、公共安全、视频监控等领域具有重大的指导意义。

通常会采用经过深度学习的网络模型来实现实例分割。但是，在现有技术中，一些精度较高的实例分割模型(例如，Yolact++模型)推理速度较慢，导致对图像进行实例分割的实时性较低。

发明内容

本申请提供一种实例分割方法、装置、电子设备及计算机可读存储介质，旨在解决由于精度较高的实例分割模型推理速度慢，而导致对图像进行实例分割的实时性较低的问题。

第一方面，本申请提供一种实例分割方法，所述方法包括：

获取训练好的实例分割模型中的第一子网络、所述训练好的实例分割模型中的第二子网络、以及包含待分割物体的目标图像；

分别对所述第一子网络、所述第二子网络进行转换处理，得到所述第一子网络对应的第一加速执行模型、以及所述第二子网络对应的第二加速执行模型；

调用所述第一加速执行模型对所述目标图像进行特征提取处理，得到所述目标图像的第一特征数据；

根据所述第一特征数据进行预测处理，得到所述目标图像的第二特征数据；

调用所述第二加速执行模型对所述第二特征数据进行预测处理，得到所述目标图像的实例分割结果。

第二方面，本申请提供一种实例分割装置，所述实例分割装置包括：

获取单元，用于获取训练好的实例分割模型中的第一子网络、所述训练好的实例分割模型中的第二子网络、以及包含待分割物体的目标图像；

转换单元，用于分别对所述第一子网络、所述第二子网络进行转换处理，得到所述第一子网络对应的第一加速执行模型、以及所述第二子网络对应的第二加速执行模型；

分割处理单元，用于调用所述第一加速执行模型对所述目标图像进行特征提取处理，得到所述目标图像的第一特征数据；

所述分割处理单元，还用于根据所述第一特征数据进行预测处理，得到所述目标图像的第二特征数据；

所述分割处理单元，还用于调用所述第二加速执行模型对所述第二特征数据进行预测处理，得到所述目标图像的实例分割结果。

在本申请一种可能的实现方式中，所述转换单元具体还用于：

分别对所述第一子网络、所述第二子网络进行转换处理，得到所述第一子网络对应的第一ONNX模型、以及所述第二子网络对应的第二ONNX模型；

根据预设的推理优化器，对所述第一ONNX模型进行转换处理得到所述第一子网络对应的第一加速执行模型，并对所述第二ONNX模型进行转换处理得到所述第二子网络对应的第二加速执行模型。