一种面向道路场景的目标实例分割方法和装置
文献发布时间:2023-06-19 18:53:06
技术领域
本发明涉及计算机视觉技术领域,尤其涉及一种面向道路场景的目标实例分割方法和装置。
背景技术
实例分割任务需要对图像中的目标进行类别以及掩码的预测。相较于预测矩形框的目标检测,实例分割在更细的像素粒度上确定目标的位置;相较于预测像素类别的语义分割,实例分割任务会进一步对同一类别的多个目标加以区分。
发表于2020年ECCV会议的单阶段实例分割模型CondInst采用全卷积结构,以稠密预测的方式完成实例分割任务,根据待检测的目标动态生成分割支路的卷积参数,以更为灵活的方式拟合目标的形状、姿态等信息,避免了特征裁剪和对齐,输出分辨率更高的分割结果。
对于道路场景的图像,往往包含更多的目标,由此更容易出现目标的密集分布和相互遮挡,如图1所示。包括CondInst在内的现有算法大多没有考虑到道路场景的这一特点,也并未对模型结构作出有针对性的修改,导致模型在该场景下的分割精度显著低于一般场景。
发明内容
针对现有技术中的缺陷,本发明提供一种面向道路场景的目标实例分割方法和装置,能够针对易出现密集分布和遮挡的道路场景达到较高的实例分割精度。
为了解决上述技术问题,在一个方面,本发明实施例提供了一种面向道路场景的目标实例分割方法。
本发明实施例的面向道路场景的目标实例分割方法包括:建立面向道路场景的实例分割模型;其中,所述实例分割模型包括:特征金字塔部分、检测支路和掩码支路;所述检测支路包括多个检测头,每一检测头根据所述特征金字塔部分输出的特征图生成分类特征、边框回归特征、中心度特征和卷积参数,并将所述分类特征、所述边框回归特征和所述卷积参数传递到所述掩码支路;在所述掩码支路中,所述特征金字塔输出的特征图与所述检测头传递的所述分类特征和所述边框回归特征以及该特征图相对于当前实例位置的相对坐标特征结合成掩码特征,所述掩码特征进入所述掩码支路的掩码头,所述掩码头基于所述检测头传递的所述卷积参数确定相应实例的掩码预测结果;对所述实例分割模型进行训练,使用训练完成的实例分割模型执行道路场景的目标实例分割。
优选地,所述方法进一步包括:在所述特征金字塔输出的特征图与所述检测头传递的所述分类特征和所述边框回归特征以及该特征图相对于当前实例位置的相对坐标特征结合成掩码特征之前,将所述分类特征和所述边框回归特征的通道数分别降为1。
优选地,所述实例分割模型的损失函数包括:分类损失项、中心度损失项、边框回归损失项、与掩码关联的分割损失项、边框回归紧致损失项以及分割紧致损失项;其中,所述边框回归损失项和所述分割损失项中分别具有与样本分布密度正相关的权重因子;所述边框回归紧致损失项表征同一实例中多个样本的边框预测值与边框真值之间的差异;所述分割紧致损失项表征同一实例中多个样本的掩码预测值与掩码真值之间的差异。
优选地,所述实例分割模型的损失函数L由以下公式表示:
L=L
其中,L
优选地,所述方法进一步包括:获取原始图像中各实例中心的归一化距离;利用目标尺度对所述归一化距离进行修正,得到所述样本分布密度。
优选地,所述方法进一步包括:在确定正样本之前,以固定步长将原始图像划分为多个网格单元,网格单元与特征图中的特征点一一对应;计算每一网格单元中各实例掩码的面积占比,确定每一网格单元中面积占比最大的特定实例掩码,将每一网格单元的特定实例掩码与该网格单元对应的特征点匹配;在任一特征点匹配的特定实例掩码在相应网格单元的面积占比大于预设阈值时,将该特征点确定为该实例的正样本;以及,以每一网格单元内实例掩码的最大面积占比定义所述实例分割模型的损失函数中的中心度。
为了解决上述技术问题,在另一方面,本发明实施例提供了一种面向道路场景的目标实例分割装置。
本发明实施例的面向道路场景的目标实例分割装置包括:模型建立单元,用于建立面向道路场景的实例分割模型;其中,所述实例分割模型包括:特征金字塔部分、检测支路和掩码支路;所述检测支路包括多个检测头,每一检测头根据所述特征金字塔部分输出的特征图生成分类特征、边框回归特征、中心度特征和卷积参数,并将所述分类特征、所述边框回归特征和所述卷积参数传递到所述掩码支路;在所述掩码支路中,所述特征金字塔输出的特征图与所述检测头传递的所述分类特征和所述边框回归特征以及该特征图相对于当前实例位置的相对坐标特征结合成掩码特征,所述掩码特征进入所述掩码支路的掩码头,所述掩码头基于所述检测头传递的所述卷积参数确定相应实例的掩码预测结果;模型训练使用单元,用于对所述实例分割模型进行训练,使用训练完成的实例分割模型执行道路场景的目标实例分割。
优选地,所述实例分割模型的损失函数包括:分类损失项、中心度损失项、边框回归损失项、与掩码关联的分割损失项、边框回归紧致损失项以及分割紧致损失项;其中,所述边框回归损失项和所述分割损失项中分别具有与样本分布密度正相关的权重因子;所述边框回归紧致损失项表征同一实例中多个样本的边框预测值与边框真值之间的差异;所述分割紧致损失项表征同一实例中多个样本的掩码预测值与掩码真值之间的差异。
为实现上述目的,根据本发明的又一方面,提供了一种电子设备。
本发明的一种电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明所提供的面向道路场景的目标实例分割方法。
为实现上述目的,根据本发明的再一方面,提供了一种计算机可读存储介质。
本发明的一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明所提供的面向道路场景的目标实例分割方法。
实施本发明的面向道路场景的目标实例分割方法和装置,具有以下有益效果:建立面向道路场景的实例分割模型;其中,所述实例分割模型包括:特征金字塔部分、检测支路和掩码支路;所述检测支路包括多个检测头,每一检测头根据所述特征金字塔部分输出的特征图生成分类特征、边框回归特征、中心度特征和卷积参数,并将所述分类特征、所述边框回归特征和所述卷积参数传递到所述掩码支路;在所述掩码支路中,所述特征金字塔输出的特征图与所述检测头传递的所述分类特征和所述边框回归特征以及该特征图相对于当前实例位置的相对坐标特征结合成掩码特征,所述掩码特征进入所述掩码支路的掩码头,所述掩码头基于所述检测头传递的所述卷积参数确定相应实例的掩码预测结果;对所述实例分割模型进行训练,使用训练完成的实例分割模型执行道路场景的目标实例分割。这样,能够针对易出现密集分布和遮挡的道路场景达到较高的实例分割精度。
附图说明
图1是实际的道路场景示意图;
图2是本发明实施例的面向道路场景的目标实例分割方法的主要步骤示意图;
图3是本发明实施例的实例分割模型结构示意图;
图4是本发明实施例中边框回归特征与分类特征的可视化示意图;
图5是本发明实施例的中心采样正样本可视化示意图;
图6是本发明实施例的掩码占比采样示意图;
图7是本发明实施例的掩码占比采样的正样本可视化示意图;
图8是本发明实施例中面向道路场景的目标实例分割装置的组成部分示意图;
图9是用来实现本发明实施例中面向道路场景的目标实例分割方法的电子设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明针对道路场景图像中目标数量多、易出现密集分布和遮挡的特点,公开了一种面向道路场景的目标实例分割方法。
现有的实例分割模型大多基于卷积神经网络,通过骨干网络进行特征的抽象和提取,而后分为各支路完成类别、边框位置以及掩码的预测。他们大多基于通用场景设计,即场景中存在较少数量的目标,以较大的尺寸呈现在成像区域的中央,目标间不存在遮挡或遮挡较少,足以判别目标类别的特征较为清晰地呈现在画面中。
以CondInst为代表的单阶段实例分割模型是当下较主流的、解决该问题的方法,不过综合分析其网络结构及算法细节后,本发明的发明人发现,检测模块的有效信息没有得到充分的利用,且其所采用的中心采样方式在道路场景下存在一定的局限性。基于上述考虑,本发明针对道路场景图像的特点,从输入特征、损失函数和样本选取三方面对CondInst进行改进。
图2是根据本发明实施例中方法的主要步骤示意图,图3是本发明实施例的实例分割模型结构示意图。
如图2、3所示,本发明实施例的方法可具体按照如下步骤执行:
步骤S201:建立面向道路场景的实例分割模型。
在本发明实施例中,所述实例分割模型的结构与CondInst类似,包括:特征金字塔部分、检测支路和掩码支路;所述检测支路包括多个检测头,每一检测头根据所述特征金字塔部分输出的特征图生成分类特征、边框回归特征、中心度特征和卷积参数,并将所述分类特征、所述边框回归特征和所述卷积参数传递到所述掩码支路。
对于所述掩码支路,CondInst是直接将所述特征金字塔P3的特征与特征图相对于当前实例位置的相对坐标特征结合成掩码特征输入掩码头,在本发明实施例中,是将所述特征金字塔输出的特征图与所述检测头传递的所述分类特征和所述边框回归特征以及该特征图相对于当前实例位置的相对坐标特征结合成掩码特征,此后,所述掩码特征进入所述掩码支路的掩码头,所述掩码头基于所述检测头传递的所述卷积参数确定相应实例的掩码预测结果。以上实施方式的技术原理将在下文说明。
较佳地,在所述特征金字塔输出的特征图与所述检测头传递的所述分类特征和所述边框回归特征以及该特征图相对于当前实例位置的相对坐标特征结合成掩码特征之前,可以将所述分类特征和所述边框回归特征的通道数分别降为1,从而保持模型的轻量级。
步骤S202:对所述实例分割模型进行训练,使用训练完成的实例分割模型执行道路场景的目标实例分割。
本步骤针对步骤S201建立的实例分割模型进行训练和使用。具体地,在定义正负样本时,CondInst选取的正样本集中分布在目标的质心周围,并以样本位置到目标中心的归一化距离(即中心度)作为样本质量的描述,认为越接近目标中心的样本点质量越高,其对应的预测结果越可靠。但是,道路场景图像易出现目标的聚集以及相互遮挡,样本点可能落入其他目标的前景或图像的背景区域,容易对特征提取以及边框和掩码的预测产生影响,特别是当目标的中心区域受到遮挡时,该采样策略的局限性会变得更为突出。
基于以上考虑,本发明提出以下样本定义方式。具体地,在确定正样本之前,以固定步长将原始图像划分为多个网格单元,网格单元与特征图中的特征点一一对应;计算每一网格单元中各实例掩码的面积占比,确定每一网格单元中面积占比最大的特定实例掩码,将每一网格单元的特定实例掩码与该网格单元对应的特征点匹配;在任一特征点匹配的特定实例掩码在相应网格单元的面积占比大于预设阈值时,将该特征点确定为该实例的正样本。由此形成道路场景中更为合理的样本定义策略。另外,还可以每一网格单元内实例掩码的最大面积占比定义所述实例分割模型的损失函数中的中心度,由此来描述样本质量。
在将CondInst应用在道路场景时,其损失函数并不能够对应道路场景图像中目标聚集和容易相互遮挡的特点,导致实例分割精度较差。本发明实施例对实例分割模型的损失函数进行了以下优化:所述实例分割模型的损失函数包括:分类损失项、中心度损失项、边框回归损失项、与掩码关联的分割损失项、边框回归紧致损失项以及分割紧致损失项;其中,所述边框回归损失项和所述分割损失项中分别具有与样本分布密度正相关的权重因子;所述边框回归紧致损失项表征同一实例中多个样本的边框预测值与边框真值之间的差异;所述分割紧致损失项表征同一实例中多个样本的掩码预测值与掩码真值之间的差异。
所述实例分割模型的损失函数L由以下公式表示:
L=L
其中,L
N
L
loss是一种已知函数,g
g
特别地,以上样本分布密度可以通过以下方法确定:首先获取原始图像中各实例中心的归一化距离;之后利用目标尺度对所述归一化距离进行修正,得到所述样本分布密度。
以下说明本发明的技术原理。
首先,本发明改进了模型中掩码支路的输入特征(即输入到掩码头的特征)。CondInst模型中特征金字塔经过一系列卷积运算,与相对坐标拼接,作为掩码支路的输入,检测头中的特征信息没有得到充分的利用。负责执行分类和边框回归任务的特征含有丰富的语义和位置信息,将其引入掩码支路可提供更多关于图像中实例的线索,有助于提升分割精度。神经网络中特征的抽象程度和判别性能会随着深度的增加而提高,因此可以选取输出层前的分类特征和边框回归特征(可以是输出特征的前一层特征)并将其拼接至掩码支路的输入。由于CondInst采用轻量级的结构,因此可以在拼接前将分类特征和边框回归特征的通道数均由256降至1。图4是从Cityscapes数据集选取图像,对降至单通道的分类和边框回归特征以灰度图的形式可视化,自上而下分别对应原图像、边框回归特征和分类特征。由图可知,取自边框回归支路的特征关注场景中物体的边缘区域,对于尺寸较大的目标能够勾勒出大致的轮廓,有助于目标的定位;而取自分类支路的特征,关注的是尺寸较小或因遮挡仅少部分区域可见的目标,在这些检测难度较大的目标区域呈现高响应值。在图1、图4、图5、图7中,a和b表示两个不同的实例分割场景。
其次,可以在损失函数中添加紧致损失,并根据样本密度自适应地调节损失的权重。具体地,本发明在损失函数中添加紧致损失项(包括边框回归紧致损失项和分割紧致损失项),计算所有匹配样本的预测均值与目标真实的边框、掩码间的差异,如以下两式所示。对于与同一目标匹配的各个样本,该损失项的添加使其边框和掩码的预测趋于一致。损失的计算针对边框回归以及分割任务。紧致损失的添加使同一目标的多个预测趋于一致,一方面可以使冗余的检测结果在后处理过程中被正确地剔除,避免对目标的重复检测,另一方面也减少对邻近其他目标的干扰。
在模型的训练过程中,应特别关注目标分布密集的区域。该区域的目标若存在低精度的预测结果,可能会在后处理的过程中被邻近其他目标的预测错误地抑制,从而造成漏检。基于此,本发明在CondInst损失函数的基础上,根据样本的密度(即样本分布密度)调节其回归和分割损失的权重,在目标聚集的区域采用高权值,目标分布稀疏的区域采用较低权值,如下式所示。修正后的损失函数有助于提升目标聚集区域边框和掩码预测的精度。
最后,本发明提出掩码占比采样的样本选取方式。CondInst选取的正样本集中分布在目标的质心周围,并以样本位置到目标中心的归一化距离即中心度作为样本质量的描述,认为越接近目标中心的样本点质量越高,其对应的预测结果越可靠。模型在推断时将中心度的预测值与分类得分相乘,降低离目标中心较远的样本预测的置信度。CondInst要求样本点到真实框四边的最大距离应满足其所属特征层对应的尺度范围,以解决多尺度目标的检测和分割。当目标数量较少、分布稀疏时,以上中心采样策略能够得到高质量的样本点;但是道路场景图像易出现目标的聚集以及相互遮挡,样本点可能落入其他目标的前景或图像的背景区域,会对特征提取以及边框和掩码的预测产生影响。特别是当目标的中心区域受到遮挡时,该采样策略的局限性会变得更为突出。现有技术的样本点提取结果如图5,从Cityscapes数据集选取图像,对部分目标由中心采样得到的正样本进行可视化,其中较大的圆点表示边框的中心,较小的圆点表示依据中心采样选取的样本点。
基于上述考虑以及中心采样存在的不足,本发明提出掩码占比采样策略。如图6所示,对于步长为s的特征图,本发明以边长为s的四边形网格单元对原始图像进行划分。网格单元与特征图的像素点一一对应,且位于对应像素感受野的中心区域。此后计算每一个实例掩码在网格中的面积占比,将特征点与面积占比最高的实例匹配。如果最大比值超过预设阈值,则将网格对应的特征点选取为该实例的正样本。此外,还可以网格内实例掩码的最大面积占比重新定义中心度,描述样本质量,在模型推断时修正分类得分。由于景深和实际尺寸的不同,图像中目标的尺度存在较大差异,可以将目标按照边框面积分配至特征金字塔的不同层级,在选取目标的正样本时,仅考虑相应层级的特征点。具体来说,大尺寸目标分配至较高的层级,样本点分布较稀疏,小尺寸目标分配至较低的层级,样本点分布较稠密,从而在一定程度上维持不同尺度目标样本数量的平衡。
根据本发明以上构思提取的样本点如图7,对掩码占比采样得到的正样本进行可视化。相较于中心采样,掩码占比采样得到的样本均位于匹配目标的前景区域,不仅数量更多,而且分布范围能够覆盖整个目标。当目标因遮挡被分为若干个不连通的部分时,各个连通组件均有样本分布。将其与前文介绍的紧致损失结合,可使模型更好地学习到这些连通域对应于同一个目标,避免出现将其检测为多个实例的情况。
以下说明本发明实施例的实施流程。
训练模式下,将采集自道路场景的图像输入神经网络,经过如下流程计算最终的损失:
(1)特征金字塔提取目标特征;
(2)根据目标边框面积选择相应的特征层,若特征点对应的网格单元内目标真实掩码的面积占比超过设定的阈值,则作为该目标的正样本,其预测结果参与损失的计算;
(3)分类、回归和分割的损失函数分别采用交叉熵损失、GIoU损失和dice损失;
(4)计算目标中心间的归一化距离并根据目标尺度对其进行修正,作为样本损失的权重。
测试模式下,将采集自道路场景的图像输入神经网络,经过如下流程得到最终的预测结果:
(1)特征金字塔提取目标特征;
(2)对于每一个特征点,由分类结果选取得分最高的类别作为预测类别,将中心度的预测值与最高的分类得分相乘,作为置信度;
(3)融合各特征层的预测结果,剔除置信度低于0.05的预测结果,并根据场景类型保留置信度最高的若干个预测;
(4)根据预测的类别、边框和掩码,在图像中绘制检测结果。
需要说明的是,对于前述的各方法实施例,为了便于描述,将其表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,某些步骤事实上可以采用其它顺序进行或者同时进行。此外,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是实现本发明所必须的。
为便于更好的实施本发明实施例的上述方案,下面还提供用于实施上述方案的相关装置。
请参阅图8所示,本发明实施例提供的面向道路场景的目标实例分割装置800可以包括:模型建立单元801和模型训练使用单元802。
具体地,模型建立单元801用于建立面向道路场景的实例分割模型;其中,所述实例分割模型包括:特征金字塔部分、检测支路和掩码支路;所述检测支路包括多个检测头,每一检测头根据所述特征金字塔部分输出的特征图生成分类特征、边框回归特征、中心度特征和卷积参数,并将所述分类特征、所述边框回归特征和所述卷积参数传递到所述掩码支路;在所述掩码支路中,所述特征金字塔输出的特征图与所述检测头传递的所述分类特征和所述边框回归特征以及该特征图相对于当前实例位置的相对坐标特征结合成掩码特征,所述掩码特征进入所述掩码支路的掩码头,所述掩码头基于所述检测头传递的所述卷积参数确定相应实例的掩码预测结果;模型训练使用单元802用于对所述实例分割模型进行训练,使用训练完成的实例分割模型执行道路场景的目标实例分割。
在本发明实施例中,所述实例分割模型的损失函数包括:分类损失项、中心度损失项、边框回归损失项、与掩码关联的分割损失项、边框回归紧致损失项以及分割紧致损失项;其中,所述边框回归损失项和所述分割损失项中分别具有与样本分布密度正相关的权重因子;所述边框回归紧致损失项表征同一实例中多个样本的边框预测值与边框真值之间的差异;所述分割紧致损失项表征同一实例中多个样本的掩码预测值与掩码真值之间的差异。
具体应用中,模型建立单元801进一步用于:在所述特征金字塔输出的特征图与所述检测头传递的所述分类特征和所述边框回归特征以及该特征图相对于当前实例位置的相对坐标特征结合成掩码特征之前,将所述分类特征和所述边框回归特征的通道数分别降为1。
实际应用中,所述实例分割模型的损失函数L由以下公式表示:
L=L
其中,L
N
L
loss是一种已知函数,g
g
较佳地,模型训练使用单元802进一步用于:获取原始图像中各实例中心的归一化距离;利用目标尺度对所述归一化距离进行修正,得到所述样本分布密度。
此外,在本发明实施例中,模型训练使用单元802进一步用于:在确定正样本之前,以固定步长将原始图像划分为多个网格单元,网格单元与特征图中的特征点一一对应;计算每一网格单元中各实例掩码的面积占比,确定每一网格单元中面积占比最大的特定实例掩码,将每一网格单元的特定实例掩码与该网格单元对应的特征点匹配;在任一特征点匹配的特定实例掩码在相应网格单元的面积占比大于预设阈值时,将该特征点确定为该实例的正样本;以及,以每一网格单元内实例掩码的最大面积占比定义所述实例分割模型的损失函数中的中心度。
本发明还提供了一种电子设备。本发明实施例的电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明所提供的面向道路场景的目标实例分割方法。
下面参考图9,其示出了适于用来实现本发明实施例的电子设备的计算机系统900的结构示意图。图9示出的电子设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图9所示,计算机系统900包括中央处理单元(CPU)901,其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。在RAM903中,还存储有计算机系统900操作所需的各种程序和数据。CPU901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
以下部件连接至I/O接口905:包括键盘、鼠标等的输入部分906;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907;包括硬盘等的存储部分908;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器910上,以便从其上读出的计算机程序根据需要被安装入存储部分908。
特别地,根据本发明公开的实施例,上文的主要步骤图描述的过程可以被实现为计算机软件程序。例如,本发明实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行主要步骤图所示的方法的程序代码。在上述实施例中,该计算机程序可以通过通信部分909从网络上被下载和安装,和/或从可拆卸介质911被安装。在该计算机程序被中央处理单元901执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。在本发明中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这根据所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中的。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该设备执行时,使得该设备执行的步骤包括:建立面向道路场景的实例分割模型;对所述实例分割模型进行训练,使用训练完成的实例分割模型执行道路场景的目标实例分割。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
- 一种基于卷积神经网络的道路场景语义分割方法
- 基于道路前景图像的路面病害目标检测与实例分割方法
- 基于道路前景图像的路面病害目标检测与实例分割方法