[发明专利]语义分割方法、装置、电子设备及存储介质

权利要求书

1.一种语义分割方法，其特征在于，包括：

获取待分割图像；

将所述待分割图像输入至语义分割模型，得到所述语义分割模型输出的所述待分割图像的语义分割结果；

其中，所述语义分割模型是基于样本图像，以及样本图像对应的样本语义分割结果训练得到的；

所述语义分割模型基于级联区域分类层对所述待分割图像的增强图像特征进行像素分类特征提取和区域分类特征提取，并基于所述级联区域分类层提取的像素分类特征和区域分类特征对所述待分割图像进行语义分割；所述级联区域分类层包括多个串联的区域分类层；

所述将所述待分割图像输入至语义分割模型，得到所述语义分割模型输出的所述待分割图像的语义分割结果，包括：

将所述待分割图像输入至所述语义分割模型的特征提取层，得到所述特征提取层输出的增强图像特征；

将所述增强图像特征输入至所述语义分割模型的级联区域分类层，得到所述级联区域分类层输出的融合分类特征；

将所述融合分类特征输入至所述语义分割模型的特征识别层，得到所述特征识别层输出的语义分割结果；

所述将所述增强图像特征输入至所述语义分割模型的级联区域分类层，得到所述级联区域分类层输出的融合分类特征，包括：

将所述增强图像特征输入至所述语义分割模型的级联区域分类层，由所述级联区域分类层中的各区域分类层基于上一区域分类层输出的区域分类特征确定当前区域分类层的像素分类特征和区域分类特征；

基于所述级联区域分类层中末级区域分类层输出的像素分类特征和区域分类特征，确定所述级联区域分类层输出的融合分类特征；

其中，所述级联区域分类层中首级区域分类层的上一区域分类特征为所述增强图像特征；

所述基于上一区域分类层输出的区域分类特征确定当前区域分类层的像素分类特征和区域分类特征，包括：

基于上一区域分类层输出的区域分类特征，以及区域特征提取卷积核，确定所述当前区域分类层的区域分类特征；

基于所述当前区域分类层的区域分类特征，以及像素特征提取卷积核，确定所述当前区域分类层的像素分类特征；

其中，所述区域特征提取卷积核的尺寸大于所述像素特征提取卷积核的尺寸；

所述基于上一区域分类层输出的区域分类特征，以及区域特征提取卷积核，确定所述当前区域分类层的区域分类特征，包括：

基于上一区域分类层输出的区域分类特征，以及区域特征提取卷积核，确定所述上一区域分类层输出的区域预测特征；

基于所述上一区域分类层输出的区域分类特征和区域预测特征，确定所述上一区域分类层输出的区域特征；

基于所述上一区域分类层输出的区域特征和区域分类特征，确定当前区域分类层的区域像素特征关联矩阵；

基于所述上一区域分类层输出的区域特征和区域分类特征，以及所述当前区域分类层的区域像素特征关联矩阵，确定所述当前区域分类层的区域分类特征。

2.根据权利要求1所述的语义分割方法，其特征在于，所述将所述待分割图像输入至所述语义分割模型的特征提取层，得到所述特征提取层输出的增强图像特征，包括：

将所述待分割图像输入至所述特征提取层的初始特征提取层，得到所述初始特征提取层输出的初始图像特征；

将所述初始图像特征输入至所述特征提取层的特征增强层，得到所述特征增强层输出的增强图像特征。

3.根据权利要求1或2所述的语义分割方法，其特征在于，所述语义分割模型的损失函数是基于所述级联区域分类层的像素分类交叉熵损失、区域分类交叉熵损失和融合分类交叉熵损失确定的；

所述像素分类交叉熵损失是基于各区域分类层的像素分类特征确定的；所述区域分类交叉熵损失是基于各区域分类层的区域分类特征确定的；所述融合分类交叉熵损失是基于各区域分类层的像素分类特征和区域分类特征确定的。