[发明专利]一种分尺度提取掩码特征的实例分割方法

说明书

本发明公开了一种分尺度提取掩码特征的实例分割方法，所述方法包括，基于预设实例分割模型的骨干神经网络获取待处理图像的多个不同尺寸的特征图；基于所述预设实例分割模型的掩码卷积核分支与所述特征图确定各个所述特征图的卷积核参数；基于所述预设实例分割模型的分尺度掩码特征图分支与所述特征图确定所述待处理图像的多个掩码特征图；根据同一语义类别的各个所述掩码特征图与目标卷积核参数生成实例掩码，并基于所述实例掩码对待处理图像进行分割，所述目标卷积核参数为所述卷积核参数中与所述扩张卷积分支的扩张率对应的卷积核参数，从而提升分割网络对目标尺度变化的鲁棒性，并进一步提高图像实例分割的精确度。

技术领域

本发明涉及图像分割技术领域，特别涉及一种分尺度提取掩码特征的实例分割方法。

背景技术

随着深度神经网络技术的发展，出现了各种图像实例分割模型，当前学术界性能指标最好的算法是SOLO算法(Segmenting Objects by Locations)以及其改进版本SOLOv2。而在实例分割中影响实例掩码质量的主要因素是，预测的卷积核参数和掩码特征图。

现有技术中，对不同尺度的目标，掩码特征分支都是通过一个1*1的卷积层提取一个掩码特征图，该掩码特征图被各个卷积核参数共享，而该共享掩码特征图的表征能力是不充分的，并不能很好的反映出被处理图像的全部特征，从而影响了实例掩码的质量，进一步的影响图像实例分割的精确度。

因此，如何提升分割网络对目标尺度变化的鲁棒性，并进一步提高图像实例分割的精确度，是目前有待解决的技术问题。

发明内容

本发明提供了一种分尺度提取掩码特征的实例分割方法，用于解决现有技术中图像实例分割的精确度不高的技术问题，所述方法包括：

基于预设实例分割模型的骨干神经网络获取待处理图像的多个不同尺寸的特征图；

基于所述预设实例分割模型的掩码卷积核分支与所述特征图确定各个所述特征图的卷积核参数；

基于所述预设实例分割模型的分尺度掩码特征图分支与所述特征图确定所述待处理图像的多个掩码特征图，所述分尺度掩码特征图分支包括多个扩张卷积分支，每个所述扩张卷积分支对应一个掩码特征图；

根据同一语义类别的各个所述掩码特征图与目标卷积核参数生成实例掩码，并基于所述实例掩码对待处理图像进行实例分割，所述目标卷积核参数为所述卷积核参数中与所述扩张卷积分支的扩张率对应的卷积核参数。

一些实施例中，在基于所述预设实例分割模型的掩码卷积核分支与所述待处理图像的多个不同尺寸的特征图确定所述待处理图像的各个特征图的卷积核参数之前，所述方法还包括：

对各所述特征图进行双线性插值，以分别得到预设尺寸的特征图。

一些实施例中，在基于所述预设实例分割模型的分尺度掩码特征图分支与所述待处理图像的多个不同尺寸的特征图确定所述待处理图像的多个待处理图像的掩码特征图之前，所述方法还包括：

去除尺寸最小的所述特征图，将剩余所述特征图采样至所述待处理图像尺寸的四分之一大小并合并。

一些实施例中，在根据同一语义类别的各个所述掩码特征图与对应的目标卷积核参数生成实例掩码之前，所述方法还包括：

根据所述扩张率确定目标尺寸范围；

根据所述目标尺寸范围从多个所述特征图中确定目标特征图；

根据所述目标特征图确定所述目标卷积核参数。

一些实施例中，根据所述扩张率确定目标尺寸范围，具体为：

获取待处理图像所有所述特征图的尺寸范围；