图像分割方法、装置、设备、介质及产品与流程
本技术涉及图像处理，特别涉及一种图像分割方法、装置、设备、介质及产品。
背景技术：
1、图像分割(image segmentation)是指将数字图像中的像素按照某种相似性标准(如颜色、纹理、亮度、空间位置等)划分为不同的区域或对象，使得不同区域之间的像素具有显著的差异性。分割后的区域可以是图像中的物体、背景或其他有意义的组成部分。
2、相关技术中，基于深度学习方法实现图像分割时，通过卷积神经网络的卷积核在图像上滑动提取图像特征。
3、然而，卷积核的感受野是局部的，使得图像分割结果中忽略了远距离特征之间的关联性，图像分割结果的准确率较低。
技术实现思路
1、本技术实施例提供了一种图像分割方法、装置、设备、介质及产品，本技术提供的技术方案包括如下几个方面。
2、根据本技术实施例的一个方面，提供了一种图像分割方法，所述方法包括：
3、获取第一图像，所述第一图像是待进行图像分割获取第一图像内容的图像；
4、通过至少一个尺寸的卷积核对所述第一图像卷积，生成所述第一图像的局部特征表示；
5、通过递归的线性注意力机制生成所述第一图像的全局特征表示，所述全局特征表示用于表达所述第一图像在空间维度上的全局特征；
6、融合所述全局特征表示和所述局部特征表示，得到融合特征表示；
7、基于所述融合特征表示预测第一图像内容，得到分割所述第一图像中的所述第一图像内容的分割预测结果。
8、根据本技术实施例的一个方面，提供了一种图像分割装置，所述装置包括：
9、获取模块，用于获取第一图像，所述第一图像是待进行图像分割获取第一图像内容的图像；
10、卷积模块，用于通过至少一个尺寸的卷积核对所述第一图像卷积，生成所述第一图像的局部特征表示；
11、生成模块，用于通过递归的线性注意力机制生成所述第一图像的全局特征表示，所述全局特征表示用于表达所述第一图像在空间维度上的全局特征；
12、融合模块，用于融合所述全局特征表示和所述局部特征表示，得到融合特征表示；
13、预测模块，用于基于所述融合特征表示预测第一图像内容，得到分割所述第一图像中的所述第一图像内容的分割预测结果。
14、在一个可选的实施例中，所述获取模块，还用于获取所述第一图像的图像特征表示，所述图像特征表示是对所述第一图像的颜色通道按照预设通道转换关系转换得到的特征表示；
15、所述生成模块，还用于通过递归的线性注意力机制生成所述图像特征表示的所述全局特征表示。
16、在一个可选的实施例中，所述图像特征表示包括至少两个通道维度；
17、所述生成模块，还用于对所述至少两个通道维度拆分，得到包含至少一个通道维度的第一特征表示，所述第一特征表示是应用于全局分支的特征表示；通过递归的线性注意力机制生成所述第一特征表示对应的所述全局特征表示。
18、在一个可选的实施例中，所述生成模块，还用于将所述第一特征表示划分为预设特征尺寸的至少两个特征块；对所述至少两个特征块中相邻的特征块交叉混合，得到混合特征表示；基于双向全局注意力机制对所述混合特征表示转换，得到所述全局特征表示。
19、在一个可选的实施例中，所述生成模块，还用于获取所述第一图像的图像特征表示，所述图像特征表示是对所述第一图像的颜色通道按照预设通道转换关系转换得到的特征表示；通过至少一个尺寸的卷积核对所述图像特征表示卷积，得到所述第一图像的所述局部特征表示。
20、在一个可选的实施例中，所述图像特征表示包括至少两个通道维度；
21、所述生成模块，还用于对所述至少两个通道维度拆分，得到包含至少一个通道维度的第二特征表示，所述第二特征表示是应用于局部分支的特征表示；
22、所述卷积模块，还用于通过所述至少一个尺寸的卷积核对所述第二特征表示卷积，得到所述第一图像的所述局部特征表示。
23、在一个可选的实施例中，所述卷积模块，还用于将所述第二特征表示拆分为n个子特征表示，n为大于1的整数；通过第i个尺寸的卷积核对第i个子特征表示卷积，得到第i个子特征表示对应的卷积特征表示，0＜i≤n；获取所述n个子特征表示分别对应的卷积特征表示；以及，拼接所述n个子特征表示分别对应的卷积特征表示，得到所述第一图像的所述局部特征表示。
24、在一个可选的实施例中，所述装置包括图像分割模型，所述图像分割模型包括编码器和解码器；
25、所述融合模块，还用于在所述编码器的第k个编码阶段，融合所述第k个编码阶段的所述全局特征表示和所述局部特征表示，得到所述第k个编码阶段的融合特征表示，k为正整数；
26、所述预测模块，还用于在所述解码器的第q个解码阶段，融合所述第m+1-q个编码阶段的融合特征表示以及所述第q-1个解码阶段的解码特征表示，得到第q个解码阶段的编解码融合特征表示，以及，对所述第q个解码阶段的编解码融合特征表示解码，得到所述第q个解码阶段的解码特征表示，m为解码阶段的数量，q为正整数；基于m个解码阶段的解码特征表示预测所述第一图像内容，得到分割所述第一图像中的所述第一图像内容的所述分割预测结果。
27、在一个可选的实施例中，所述预测模块，还用于基于通道混合模式融合所述至少两个编码阶段的融合特征表示，得到编码融合特征表示；将所述编码融合特征表示拆分为至少两个编码特征表示，其中，第m+1-q个编码阶段对应第m+1-q个编码特征表示；融合所述第m+1-q个编码特征表示以及所述第q-1个解码阶段的解码特征表示，得到第q个解码阶段的编解码融合特征表示。
28、在一个可选的实施例中，所述获取模块，还用于获取所述第一图像的图像特征表示，所述图像特征表示包括至少两个通道维度；
29、所述生成模块，还用于对所述至少两个通道维度拆分，得到包含至少一个通道维度的恒等特征表示；
30、所述融合模块，还用于融合所述全局特征表示、所述局部特征表示和所述恒等特征表示，得到所述融合特征表示。
31、在一个可选的实施例中，所述装置包括图像分割模型；
32、所述获取模块，还用于获取样本图像，所述样本图像标注有第一图像内容对应的参考内容区域；
33、所述预测模块，还用于通过所述图像分割模型预测所述样本图像中的所述第一图像内容，得到预测内容区域；
34、所述装置，还包括：
35、训练模块，用于基于所述参考内容区域和所述预测内容区域之间的差异，训练所述图像分割模型。
36、在一个可选的实施例中，所述预测模块，还用于通过所述图像分割模型预测所述样本图像中的所述第一图像内容，得到所述样本图像中的像素点属于所述第一图像内容的预测概率；基于所述预测概率确定所述样本图像中属于所述第一图像内容的像素点，得到所述预测内容区域。
37、在一个可选的实施例中，所述训练模块，还用于基于所述参考内容区域和所述预测内容区域之间的像素点差异，获取第一损失值；基于所述第一损失值训练所述图像分割模型。
38、在一个可选的实施例中，所述训练模块，还用于获取所述参考内容区域和所述预测内容区域之间的交集像素点数量；获取所述参考内容区域和所述预测内容区域之间的并集像素点数量；基于所述交集像素点数量和所述并集像素点数量获取第二损失值；基于所述第二损失值训练所述图像分割模型。
39、在一个可选的实施例中，所述训练模块，还用于获取所述参考内容区域的第一边缘像素点；以及，获取所述预测内容区域的第二边缘像素点；基于所述第一边缘像素点和所述第二边缘像素点之间的距离获取第三损失值；基于所述第三损失值训练所述图像分割模型。
40、根据本技术实施例的一个方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机程序，所述计算机程序由所述处理器加载并执行以实现上述图像分割方法。
41、根据本技术实施例的一个方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序由处理器加载并执行以实现上述图像分割方法。
42、根据本技术实施例的一个方面，提供了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序存储在计算机可读存储介质中，处理器从所述计算机可读存储介质读取并执行所述计算机程序，以实现上述图像分割方法。
43、本技术实施例提供的技术方案可以带来至少如下有益效果：
44、通过递归的线性注意力机制生成第一图像的全局特征表示，以及获取第一图像的局部特征表示，从而结合第一图像在全局体现出的特征和各个图像区域体现出的局部特征，全面分析第一图像中的第一图像内容，从而将第一图像内容从第一图像中分割，得到第一图像内容的分割预测结果，避免仅分析第一图像中的各个图像区域，从而导致对第一图像的分析较为片面，对长程特征的分析不足的问题，既考虑各个图像区域体现出的局部特征，又引入了第一图像中距离相对较远的像素之间的关联关系，也即引入了第一图像的长程特征，提高了对第一图像的分析准确率，提高了第一图像内容从第一图像中分割的分割预测准确率。