一种对象分割方法、装置、设备及存储介质与流程

1.本发明涉及图像处理技术领域，尤其涉及一种对象分割方法、装置、设备及存储介质。


背景技术：

2.在某些领域中，需要从包含目标对象的图像中分割出目标对象。比如，在农业领域，需要从包含农作物幼苗的图像中分割出农作物幼苗，进而基于分割出的农作物幼苗进行幼苗生长状态监测，量化幼苗株高、叶片大小、叶片面积等指标，建立幼苗评价体系，从而实现对幼苗品质的分级。
3.目前的分割方案主要从图像的颜色、纹理、轮廓等特征入手，结合具体的应用场景，使用阈值分割、边缘分割、区域分割、聚类分割等方法，对图像中的目标对象进行分割。
4.目前的分割方案虽然能够实现从包含目标对象的图像中分割出目标对象，但是，其只适用于特定场景，通用性较差，并且，由于分割所使用的特征为浅层特征，因此，无法做到高精度分割。


技术实现要素：

5.有鉴于此，本发明提供了一种对象分割方法、装置、设备及存储介质，用以解决目前的分割方案通用性较差以及无法做到高精度分割的问题，其技术方案如下：
6.一种对象分割方法，包括：
7.获取包含目标对象的图像，作为目标图像；
8.对所述目标图像由浅到深提取n个层次的特征，其中，n为大于1的整数，第1个层次的特征为最浅层特征，第n个层次的特征为最深层特征；
9.对所述n个层次的特征进行信息融合，得到第1个层次至第n-1个层次分别对应的融合特征，所述融合特征包含对应层次的特征信息和其它层次的特征信息；
10.基于所述第n个层次的特征，以及所述第1个层次至第n-1个层次分别对应的融合特征，从所述目标图像中分割出所述目标对象。
11.可选的，所述对所述目标图像由浅到深提取n个层次的特征，包括：
12.利用第一类型的卷积对所述目标图像提取第1个层次的特征，利用第二类型的卷积对所述第1个层次的特征提取特征，得到第1个层次的最终特征，其中，所述第二类型的卷积为可变形卷积；
13.从第2个层次开始，对前一个层次的最终特征进行池化处理，利用所述第一类型的卷积对池化处理后特征提取特征，得到当前层次的初步特征，利用所述第二类型的卷积对当前层次的初步特征提取特征，得到当前层次的最终特征，直至获得第n-1个层次的最终特征；
14.对第n-1个层次的最终特征进行池化处理，利用所述第一类型的卷积对第n-1个层次的池化处理后特征提取特征，得到第n个层次的初步特征，利用所述第一类型的卷积或者
所述第二类型的卷积对所述第n个层次的初步特征提取特征，得到第n个层次的最终特征。
15.可选的，所述对所述n个层次的特征进行信息融合，得到第1个层次至第n-1个层次分别对应的融合特征，包括：
16.将第n个层次的特征的特征信息融入第n-1个层次的特征中，得到第n-1个层次对应的一次融合特征；从第n-2个层次开始，将后一个层次对应的一次融合特征的特征信息融入当前层次的特征中，得到当前层次对应的一次融合特征，直至获得第1个层次对应的一次融合特征；
17.将第1个层次对应的一次融合特征作为第1个层次对应的最终融合特征；从第2个层次开始，将前一个层次对应的最终融合特征的特征信息融入当前层次对应的一次融合特征中，得到当前层次对应的最终融合特征，直至获得第n-1个层次对应的最终融合特征。
18.可选的，所述将第n个层次的特征的特征信息融入第n-1个层次的特征中，得到第n-1个层次对应的一次融合特征，包括：
19.对第n个层次的特征进行降维和上采样处理，将第n个层次的处理后特征与第n-1个层次的特征融合，得到第n-1个层次对应的一次融合特征；
20.所述将后一个层次对应的一次融合特征的特征信息融入当前层次的特征中，得到当前层次对应的一次融合特征，包括：
21.对所述后一个层次对应的一次融合特征进行降维和上采样处理，将后一个层次对应的处理后一次融合特征与当前层次的特征融合，得到当前层次对应的一次融合特征；
22.所述将前一个层次对应的最终融合特征的特征信息融入当前层次对应的一次融合特征中，得到当前层次对应的最终融合特征，包括：
23.对前一个层次对应的最终融合特征进行下采样处理，将前一层次对应的处理后融合特征与当前层次对应的一次融合特征融合，得到当前层次对应的最终融合特征。
24.可选的，所述基于第n个层次的特征，以及第1个层次至第n-1个层次分别对应的融合特征，从所述目标图像中分割出所述目标对象，包括：
25.将第1个层次至第n-1个层次分别对应的融合特征中无关的特征信息去除，得到第1个层次至第n-1个层次分别对应的相关融合特征；
26.基于所述第n个层次的特征，以及所述第1个层次至第n-1个层次分别对应的相关融合特征，确定所述目标图像对应的分割掩膜；
27.利用所述目标图像对应的分割掩膜，从所述目标图像中分割出所述目标对象。
28.可选的，每个层次对应的融合特征包括多个通道的特征；
29.所述将第1个层次至第n-1个层次分别对应的融合特征中无关的特征信息去除，包括：
30.针对所述第1个层次至第n-1个层次中的每个层次：
31.确定该层次对应的融合特征包含的每个通道的特征的权重；
32.按该层次对应的融合特征包含的每个通道的特征的权重，对该层次对应的融合特征包含的每个通道的特征加权，加权后得到该层次对应的相关融合特征。
33.可选的，所述基于所述第n个层次的特征，以及所述第1个层次至第n-1个层次分别对应的相关融合特征，确定所述目标图像对应的分割掩膜，包括：
34.对所述第n个层次的特征进行上采样，将所述第n个层次的特征上采样结果与所述
第n-1个层次对应的相关融合特征融合，并对融合结果进行卷积处理，卷积处理结果作为所述第n-1个层次对应的目标特征；
35.从第n-2个层次开始，对前一个层次对应的目标特征进行上采样，将前一个层次对应的特征上采样结果与当前层次对应的相关融合特征融合，并对融合结果进行卷积处理，卷积处理结果作为当前层次对应的目标特征，直至获得第1个层次对应的目标特征；
36.根据所述第1个层次对应的目标特征，确定所述目标图像对应的分割掩膜。
37.可选的，所述对所述目标图像由浅到深提取n个层次的特征，对所述n个层次的特征进行信息融合，得到第1个层次至第n-1个层次分别对应的融合特征，基于第n个层次的特征，以及第1个层次至第n-1个层次分别对应的融合特征，从所述目标图像中分割出所述目标对象，包括：
38.基于预先训练得到的对象分割模型，对所述目标图像进行处理，得到所述目标图像对应的分割掩膜；其中，所述对象分割模型采用训练图像和所述训练图像对应的真实分割掩膜训练得到；
39.利用所述目标图像对应的分割掩膜，从所述目标图像中分割出所述目标对象。
40.可选的，所述对象分割模型的训练目标包括：
41.使针对所述训练图像中每个像素预测的类别标签与对应的真实类别标签趋于一致，其中，所述训练图像中每个像素的真实类别标签由所述训练图像对应的真实分割掩膜决定；
42.以及，使针对所述训练图像预测的分割掩膜与所述训练图像对应的真实分割掩膜的重叠部分最大化。
43.可选的，所述对象分割模型包括：编码模块、通道注意力模块和解码模块；
44.所述编码模块，用于对所述目标图像由浅到深提取n个层次的特征，以及，对所述n个层次的特征进行信息融合，得到第1个层次至第n-1个层次分别对应的融合特征；
45.所述通道注意力模块，用于将第1个层次至第n-1个层次分别对应的融合特征中无关的特征信息去除，得到第1个层次至第n-1个层次分别对应的相关融合特征；
46.所述解码模块，用于基于第n个层次的特征，以及所述第1个层次至第n-1个层次分别对应的相关融合特征，确定所述目标图像对应的分割掩膜。
47.一种对象分割装置，包括：图像获取模块、特征提取模块、特征融合模块和对象分割模块；
48.所述图像获取模块，用于获取包含目标对象的图像，作为目标图像；
49.特征提取模块，用于对所述目标图像由浅到深提取n个层次的特征，其中，n为大于1的整数，第1个层次的特征为最浅层特征，第n个层次的特征为最深层特征；
50.所述特征融合模块，用于对所述n个层次的特征进行信息融合，得到第1个层次至第n-1个层次分别对应的融合特征，所述融合特征包含对应层次的特征信息和其它层次的特征信息；
51.所述对象分割模块，用于基于第n个层次的特征，以及第1个层次至第n-1个层次分别对应的融合特征，从所述目标图像中分割出所述目标对象。
52.一种对象分割设备，包括：存储器和处理器；
53.所述存储器，用于存储程序；
54.所述处理器，用于执行所述程序，实现上述任一项所述的对象分割方法的各个步骤。
55.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现上述任一项所述的对象分割方法的各个步骤。
56.本发明提供的对象分割方法、装置、设备及存储介质，在获得包含目标对象的图像即目标图像后，首先对目标图像由浅到深提取n个层次的特征，然后对n个层次的特征进行信息融合，得到第1个层次至第n-1个层次分别对应的融合特征(融合特征包含对应层次的特征信息和其它层次的特征信息)，最后基于第n个层次的特征，以及第1个层次至第n-1个层次分别对应的融合特征，从目标图像中分割出目标对象。由于第n个层次的特征为最深层次的特征，第1个层次至第n-1个层次分别对应的融合特征为各层次的融合特征，因此，第n个层次的特征以及第1个层次至第n-1个层次分别对应的融合特征能够较好的对目标对象进行表达，基于第n个层次的特征以及第1个层次至第n-1个层次分别对应的融合特征能够从目标图像中精准分割出目标对象，即本发明提供的对象分割方法可做到高精度分割，并且，本发明提供的对象分割方法对应用场景无要求，通用性较强。
附图说明
57.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
58.图1为本发明涉及的硬件架构的示意图；
59.图2为本发明实施例提供的对象分割方法的流程示意图；
60.图3为本发明实施例提供的对目标图像由浅到深提取5个层次的特征的示意图；
61.图4为本发明实施例提供的对5个层次的特征进行信息融合的示意图；
62.图5为本发明实施例提供的基于第n个层次的特征，以及第1个层次至第n-1个层次分别对应的融合特征，从目标图像中分割出目标对象的流程示意图；
63.图6为本发明实施例提供的基于第5个层次的特征，以及第1个层次至第5个层次分别对应的融合特征，从目标图像中分割出目标对象的示意图；
64.图7从左到右依次为目标图像的一示例、采用本发明提供的对象分割方法针对目标图像确定的分割掩膜以及采用确定出的分割掩膜获得的分割结果；
65.图8为本发明实施例提供的对象分割模型的一示例；
66.图9为本发明实施例提供的对象分割装置的结构示意图；
67.图10为本发明实施例提供的对象分割设备的结构示意图。
具体实施方式
68.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，所描述的实施例仅仅是本发明一部分实施例，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。
69.鉴于目前的对象分割方案只适用于特定场景，且无法做到高精度分割，本案发明人试图提出一种通用性强且能够做到高精度分割的对象分割方案，为此进行了研究，起初的思路是：基于深度卷积神经网络对图像提取不同层次的特征，基于提取的特征从目标图像中分割出目标对象。
70.然而，某些领域的目标对象在不同时期大小差别明显，比如，农业领域的农作物幼苗在不同生长时期大小差别明显，而上述思路并未考虑这种情况，另外，对于农业领域的农作物幼苗分割，上述思路也未考虑幼苗个体叶片大小不一、形状多变的问题，上述问题的忽视导致最终分割效果不佳，鉴于上述思路存在的缺陷，本案发明人进一步进行研究，通过不断进行研究，最终提出了一种效果较好的对象分割方法。
71.在介绍本发明提供的对象分割方法之前，先对本发明涉及的硬件架构进行说明。
72.在一种可能的实现方式中，如图1所示，本发明涉及的硬件架构可以包括：电子设备101和服务器102。
73.示例性的，电子设备101可以是任何一种可与用户通过键盘、触摸板、触摸屏、遥控器、语音交互或手写设备等一种或多种方式进行人机交互的电子产品，例如，手机、笔记本电脑、平板电脑、掌上电脑、个人计算机、可穿戴设备、智能电视、pad等。
74.应注意的是，图1仅仅是一种示例，电子设备的类型可以有多种，不限于图1中的笔记本电脑。
75.示例性的，服务器102可以是一台服务器，也可以是由多台服务器组成的服务器集群，或者是一个云计算服务器中心。服务器102可以包括处理器、存储器以及网络接口等。
76.示例性的，电子设备101可以通过无线通信网络与服务器102建立连接并通信；示例性的，电子设备101可以通过有线网络与服务器102建立连接并通信。
77.电子设备可获取目标图像，并将目标图像发送至服务器102，服务器102按本发明提供的对象分割方法从目标图像中分割出目标对象。
78.在另一种可能的实现方式中，本发明涉及的硬件架构可以包括：电子设备。电子设备为具有较强数据处理能力的电子产品，例如，pc、笔记本、平板电脑、掌上电脑、手机等。电子设备按本发明提供的对象分割方法从目标图像中分割出目标对象。
79.本领域技术人员应能理解上述电子设备和服务器仅为举例，其它现有的或今后可能出现的电子设备或服务器如可适用于本发明，也应包含在本发明保护范围以内，并在此以引用方式包含于此。
80.接下来通过下述实施例对本发明提供的对象分割方法进行介绍。
81.第一实施例
82.请参阅图2，示出了本发明实施例提供的对象分割方法的流程示意图，可以包括：
83.步骤s201：获取包含目标对象的图像，作为目标图像。
84.示例性的，目标图像可以为农业领域包含农作物幼苗的图像。需要说明的是，本实施例中的目标图像还可以为其它领域需要进行对象分割的图像。
85.步骤s202：对目标图像由浅到深提取n个层次的特征。
86.其中，n为大于1的整数，n个层次的特征为第1个层次的特征、第2个层次的特征、
…
、第n个层次的特征，其中，第1个层次的特征为最浅层特征，第n个层次的特征为最深层特征。需要说明的是，浅层特征主要包含目标图像的颜色、纹理、边缘等信息，深层特征主
要包含目标图像的语义信息。
87.另外需要说明的是，不同层次的特征的尺寸不同，其中，第1个层次的特征的尺寸最大，第2个层次的特征的尺寸小于第1个层次的特征的尺寸，
…
，第n个层次的特征的尺寸最小，即经由步骤s202可获得多个层次、多个尺度的特征。
88.步骤s203：对n个层次的特征进行信息融合，得到第1个层次至第n-1个层次分别对应的融合特征。
89.其中，融合特征包含对应层次的特征信息和其它层次的特征信息。
90.在某些领域，目标对象在不同时期的大小是不同的，比如，农业领域的农作物在幼苗期生长周期短，不同生长时期幼苗大小差别明显，另外，同期幼苗之间个体大小也存在一定的差别，针对农作物幼苗因生长时期不同或个体差异造成的幼苗个体多尺度问题，本发明提出，在获得n个层次的特征后，对n个层次的特征进行融合，通过将不同层次的特征进行信息融合，来提高对不同尺度目标对象(比如农作物幼苗)的分割能力。
91.步骤s204：基于第n个层次的特征，以及第1个层次至第n-1个层次分别对应的融合特征，从目标图像中分割出目标对象。
92.具体的，可首先基于第n个层次的特征，以及第1个层次至第n-1个层次分别对应的融合特征，确定目标对象对应的分割掩膜，然后基于目标对象对应的分割掩膜从目标图像中分割出目标对象。
93.本发明实施例提供的对象分割方法，在获得包含目标对象的图像即目标图像后，首先对目标图像由浅到深提取n个层次的特征，然后对n个层次的特征进行信息融合，得到第1个层次至第n-1个层次分别对应的融合特征，最后基于第n个层次的特征，以及第1个层次至第n-1个层次分别对应的融合特征，从目标图像中分割出目标对象。由于第n个层次的特征为最深层次的特征，第1个层次至第n-1个层次分别对应的融合特征为不同层次的融合特征，因此，第n个层次的特征以及第1个层次至第n-1个层次分别对应的融合特征能够较好的对目标对象进行表达，基于第n个层次的特征以及第1个层次至第n-1个层次分别对应的融合特征能够从目标图像中精准分割出目标对象，即本发明实施例提供的对象分割方法可做到高精度分割，并且，本发明提供的对象分割方法对应用场景无要求，通用性较强。
94.第二实施例
95.本实施例对上述实施例中的“步骤s202：对目标图像由浅到深提取n个层次的特征”的具体实现过程进行介绍。
96.对目标图像由浅到深提取n个层次的特征的实现方式有多种，本实施例提供如下两种实现方式：
97.第一种实现方式：
98.步骤a1、利用第一类型的卷积对目标图像提取第1个层次的特征。
99.其中，第一类型的卷积为常规卷积。
100.步骤a2、从第2个层次开始，对前一个层次的特征进行池化处理，利用第一类型的卷积对前一个层次的池化处理后特征提取特征，得到当前层次的特征，直至获得第n个层次的特征。
101.下面以n＝5为例，对上述第一种实现方式进行说明：
102.利用常规卷积对目标图像提取第1个层次的特征f1；对第1个层次的特征进行池化
处理，利用常规卷积对第1个层次的池化处理后特征提取特征，得到第2个层次的特征f2；对第2个层次的特征进行池化处理，利用常规卷积对第2个层次的池化处理后特征提取特征，得到第3个层次的特征f3；对第3个层次的特征进行池化处理，利用常规卷积对第3个层次的池化处理后特征提取特征，得到第4个层次的特征f4；对第4个层次的特征进行池化处理，利用常规卷积对第4个层次的池化处理后特征提取特征，得到第5个层次的特征f5。经由上述过程可获得5个层次的特征f1、f2、f3、f4、f5。
103.为了获得能够更好表达目标对象的特征，本实施例提供了第二种实现方式：
104.步骤b1、利用第一类型的卷积对目标图像提取第1个层次的特征，利用第二类型的卷积对第1个层次的特征提取特征，得到第1个层次的最终特征。
105.其中，第二类型的卷积为可变形卷积(deformable convolutional networks，dcn)。可变形卷积是在常规卷积的基础之上，引入采样位置的偏移量来改变采样位置，使得卷积核的感受野自适应，利用偏移量来学习目标对象的形变特征(比如幼苗叶片的形变特征)，对于农业领域农作物幼苗的分割而言，引入可变形卷积提取特征，能够提高对农作物幼苗叶片尺度和形状感受的灵敏度，获得更好的特征表达。
106.步骤b2、从第2个层次开始，对前一个层次的最终特征进行池化处理，利用第一类型的卷积对前一个层次的池化处理后特征提取特征，得到当前层次的初步特征，利用第二类型的卷积对当前层次的初步特征提取特征，得到当前层次的最终特征，直至获得第n-1个层次的最终特征。
107.步骤b3、对第n-1个层次的最终特征进行池化处理，利用第一类型的卷积对第n-1个层次的池化处理后特征提取特征，得到第n个层次的初步特征，利用第一类型的卷积或者第二类型的卷积对第n个层次的初步特征提取特征，得到第n个层次的最终特征。
108.下面以n＝5为例，结合图3，对上述第二种实现方式进行说明：
109.利用常规卷积对目标图像提取第1个层次的特征f1
′
，利用可变形卷积对第1个层次的特征f1
′
提取特征，得到第1个层次的最终特征f1；对第1个层次的最终特征f1进行池化处理，利用常规卷积对f1的池化处理后特征提取特征，得到第2个层次的初步特征f2
′
，利用可变形卷积对第2个层次的初步特征f2
′
提取特征，得到第2个层次的最终特征f2；对第2个层次的最终特征f2进行池化处理，利用常规卷积对f2的池化处理后特征提取特征，得到第3个层次的初步特征f3
′
，利用可变形卷积对第3个层次的初步特征f3
′
提取特征，得到第3个层次的最终特征f3；对第3个层次的最终特征f3进行池化处理，利用常规卷积对f3的池化处理后特征提取特征，得到第4个层次的初步特征f4
′
，利用可变形卷积对第4个层次的初步特征f4
′
提取特征，得到第4个层次的最终特征f4；对第4个层次的最终特征f4进行池化处理，利用常规卷积对f4的池化处理后特征提取特征，得到第5个层次的初步特征f5
′
，利用常规卷积(或者可变形卷积)对第5个层次的初步特征f5
′
提取特征，得到第5个层次的最终特征f5。经由上述过程可获得5个层次的特征f1、f2、f3、f4、f5。
110.第三实施例
111.本实施例对上述实施例中的“步骤s203：对n个层次的特征进行信息融合，得到第1个层次至第n-1个层次分别对应的融合特征”的具体实现过程进行介绍。
112.对n个层次的特征进行信息融合，得到第1个层次至第n-1个层次分别对应的融合特征的过程可以包括：
113.步骤c1、将第n个层次的特征的特征信息融入第n-1个层次的特征中，得到第n-1个层次对应的一次融合特征；从第n-2个层次开始，将后一个层次对应的一次融合特征的特征信息融入当前层次的特征中，得到当前层次对应的一次融合特征，直至获得第1个层次对应的一次融合特征。
114.可选的，将第n个层次的特征的特征信息融入第n-1个层次的特征中，得到第n-1个层次对应的一次融合特征的过程可以包括：对第n个层次的特征进行降维(可利用1*1卷积实现降维)和上采样处理，将第n个层次的处理后特征与第n-1个层次的特征融合，在一种可能的实现方式中，可直接将第n个层次的处理后特征与第n-1个层次的特征融合，在另一种较为优选的实现方式中，可对第n-1个层次的特征进行1*1卷积处理，然后将第n个层次的处理后特征与第n-1个层次的处理后特征融合。需要说明的是，对第n个层次的特征进行降维和上采样处理的目的在于，将第n个层次的特征处理成与第n-1个层次的特征维度和尺寸相同的特征，以便与第n-1个层次的特征融合，对第n-1个层次的特征进行1*1卷积处理的目的是，提升特征表达能力。
115.可选的，将后一个层次对应的一次融合特征的特征信息融入当前层次的特征中，得到当前层次对应的一次融合特征，包括：对后一个层次对应的一次融合特征进行降维(可利用1*1卷积实现降维)和上采样处理，将后一个层次对应的处理后融合特征与当前层次的特征融合，在一种可能的实现方式中，可直接将后一个层次对应的处理后融合特征与当前层次的特征融合，在另一种较为优选的实现方式中，可对当前层次的特征进行1*1卷积处理，然后将后一个层次对应的处理后融合特征与当前层次的处理后特征融合。需要说明的是，对后一个层次对应的一次融合特征进行降维和上采样处理的目的在于，将后一个层次对应的一次融合特征处理成与当前层次的特征维度和尺寸相同的特征，以便与当前层次的特征进行特征融合，对当前层次的特征进行1*1卷积处理的目的是，提升特征表达能力。
116.步骤c2、将第1个层次对应的一次融合特征作为第1个层次对应的最终融合特征；从第2个层次开始，将前一个层次对应的最终融合特征的特征信息融入当前层次对应的一次融合特征中，得到当前层次对应的最终融合特征，直至获得第n-1个层次对应的最终融合特征。
117.可选的，将前一个层次对应的最终融合特征的特征信息融入当前层次对应的一次融合特征中，得到当前层次对应的最终融合特征，包括：对前一个层次对应的最终融合特征进行下采样处理，将前一层次对应的处理后融合特征与当前层次对应的一次融特征融合，在一种可能的实现方式中，可直接将前一层次对应的处理后融合特征与当前层次对应的一次融特征融合，在另一种较为优选的实现方式中，可对当前层次对应的一次融特征进行1*1卷积处理，将前一层次对应的处理后融合特征与当前层次对应的处理后融合特征融合。需要说明的是，对前一个层次对应的最终融合特征进行下采样处理的目的在于，将前一个层次对应的最终融合特征处理成与当前层次对应的一次融特征尺寸相同的特征，以便进行特征融合，对当前层次对应的一次融特征进行1*1卷积处理的目的在于，提升特征表达能力。
118.下面以n＝5为例，结合图4对上步骤c1和步骤c2进行说明：
119.(1)按自底向上的路径融合：
120.将第5个层次的特征f5的特征信息融入第4个层次的特征f4中，具体的，对第5个层次的特征进行1*1卷积和上采样处理，并对第4个层次的特征进行1*1卷积处理，将第5个层
次的处理后特征与第4个层次的处理后特征融合)，得到第4个层次对应的一次融合特征f4
′
(f4
′
包含第4个层次的特征信息以及第5个层次的部分特征信息)；将第4个层次对应的一次融合特征f4
′
的特征信息融入第3个层次的特征f3中，具体的，对第4个层次对应的一次融合特征f4
′
进行1*1卷积和上采样处理，并对第3个层次的特征进行1*1卷积处理，将第4个层次对应的处理后一次融合特征与第3个层次的处理后特征融合，得到第3个层次对应的一次融合特征f3
′
(f3
′
包含第3个层次的特征信息、第4个层次的部分特征信息以及第5个层次的部分特征信息)；将第3个层次对应的一次融合特征f3
′
的特征信息融入第2个层次的特征f2中，具体的，对第3个层次对应的一次融合特征f3
′
进行1*1卷积和上采样处理，并对第2个层次的特征进行1*1卷积处理，将第3个层次对应的处理后一次融合特征与第2个层次的处理后特征融合，得到第2个层次对应的一次融合特征f2
′
(f2
′
包含第2个层次的特征信息、第3个层次的部分特征信息、第4个层次的部分特征信息以及第5个层次的部分特征信息)；将第2个层次对应的一次融合特征f2
′
的特征信息融入第1个层次的特征f1中，具体的，对第2个层次对应的一次融合特征f2
′
进行1*1卷积和上采样处理，并对第1个层次的特征进行1*1卷积处理，将第2个层次对应的处理后一次融合特征与第1个层次的处理后特征融合，得到第1个层次对应的一次融合特征f1
′
(f1
′
包含第1个层次的特征信息、第2个层次的部分特征信息、第3个层次的部分特征信息、第4个层次的部分特征信息以及第5个层次的部分特征信息)。经由上述过程可获得第1个层次～第4个层次分别对应的一次融合特征f1
′
、f2
′
、f3
′
、f4
′
。
121.(2)按自顶向下的路径融合：
122.将第1个层次对应的一次融合特征f1
′
作为第1个层次对应的最终融合特征f1(f1除了包含第1个层次的特征信息外，还包括其它各个层次的部分特征信息)；将第1个层次对应的最终融合特征f1的特征信息融入第2个层次对应的一次融合特征f2
′
中，具体的，对第1个层次对应的最终融合特征f1进行下采样处理，并对第2个层次对应的一次融特征f2
′
进行1*1卷积处理，将第1个层次对应的处理后融合特征与第2个层次对应的处理后融合特征融合，得到第2个层次对应的最终融合特征f2(f2除了包含第2个层次的特征信息外，还包括其它各个层次的部分特征信息)；将第2个层次对应的最终融合特征f2的特征信息融入第3个层次对应的一次融合特征f3
′
中，具体的，对第2个层次对应的最终融合特征f2进行下采样处理，并对第3个层次对应的一次融特征f3
′
进行1*1卷积处理，将第2个层次对应的处理后融合特征与第3个层次对应的处理后融合特征融合，得到第3个层次对应的最终融合特征f3(f3除了包含第3个层次的特征信息外，还包含其它各个层次的部分特征信息)；将第3个层次对应的最终融合特征f3的特征信息融入第4个层次对应的一次融合特征f4
′
中，具体的，对第3个层次对应的最终融合特征f3进行下采样处理，并对第4个层次对应的一次融特征f4
′
进行1*1卷积处理，将第3个层次对应的处理后融合特征与第4个层次对应的处理后融合特征融合，得到第4个层次对应的最终融合特征f4(f4除了包含第4个层次的特征信息外，还包含其它各个层次的部分特征信息)。经由上述过程可获得第1个层次～第4个层次分别对应的最终融合特征f1、f2、f3、f4。
123.第四实施例
124.本实施例对上述实施例中的“步骤s204：基于第n个层次的特征，以及第1个层次至第n-1个层次分别对应的融合特征，从目标图像中分割出目标对象”的具体实现过程进行介
绍。
125.请参阅图5，示出了基于第n个层次的特征，以及第1个层次至第n-1个层次分别对应的融合特征，从目标图像中分割出目标对象的流程示意图，可以包括：
126.步骤s501：将第1个层次至第n-1个层次分别对应的融合特征中无关的特征信息去除，得到第1个层次至第n-1个层次分别对应的相关融合特征。
127.其中，每个层次对应的融合特征包括多个通道的特征。
128.具体的，步骤s501的实现过程可以包括：针对第1个层次至第n-1个层次中的每个层次，确定该层次对应的融合特征包含的每个通道的特征的权重，按该层次对应的融合特征包含的每个通道的特征的权重，对该层次对应的融合特征包含的每个通道的特征加权，加权后得到该层次对应的相关融合特征。经由上述过程可获得第1个层次至第n-1个层次分别对应的相关融合特征。
129.上述过程的本质在于，通过为各个通道的特征分配权重来调节各个通道的特征对最终分割结果的影响程度。
130.步骤s502：基于第n个层次的特征，以及第1个层次至第n-1个层次分别对应的相关融合特征，确定目标图像对应的分割掩膜。
131.具体的，步骤s502的实现过程可以包括：
132.步骤d1、对第n个层次的特征进行上采样，将第n个层次的特征上采样结果与第n-1个层次对应的相关融合特征融合，并对融合结果进行卷积处理(比如两次卷积处理)，卷积处理结果作为第n-1个层次对应的目标特征；从第n-2个层次开始，对前一个层次对应的目标特征进行上采样，将前一个层次对应的特征上采样结果与当前层次对应的相关融合特征融合，并对融合结果进行卷积处理(比如两次卷积处理)，卷积处理结果作为当前层次对应的目标特征，直至获得第1个层次对应的目标特征。
133.下面以n＝5为例，结合图6对上步骤d1进行说明：
134.对第5个层次的特征f5进行上采样，将f5的上采样结果与第4个层次对应的相关融合特征fa4融合，对融合结果进行两次卷积处理，卷积处理结果作为第4个层次对应的目标特征ft4；对第4个层次对应的目标特征ft4进行上采样，将ft4的上采样结果与第3个层次对应的相关融合特征fa3融合，并对融合结果进行两次卷积处理，卷积处理结果作为第3个层次对应的目标特征ft3；对第3个层次对应的目标特征ft3进行上采样，将ft3的上采样结果与第2个层次对应的相关融合特征fa2融合，并对融合结果进行两次卷积处理，卷积处理结果作为第2个层次对应的目标特征ft2；对第2个层次对应的目标特征ft2进行上采样，将ft2的上采样结果与第1个层次对应的相关融合特征fa1融合，并对融合结果进行两次卷积处理，卷积处理结果作为第1个层次对应的目标特征ft1。
135.步骤d2、根据第1个层次对应的目标特征，确定目标图像对应的分割掩膜。
136.其中，第1个层次对应的目标特征ft1的尺寸与目标图像的尺寸相同。
137.具体的，根据第1个层次对应的目标特征确定目标图像中每个像素点属于目标图像中目标对象的概率，以得到目标图像对应的概率图，将目标图像对应的概率图进行二值化，即得到目标图像对应的分割掩膜。目标图像对应的分割掩膜能够指示目标图像中的哪些像素点属于目标对象。
138.步骤s503：利用目标图像对应的分割掩膜，从目标图像中分割出目标对象。
139.需要说明的是，目标图像对应的分割掩膜为二值图像，其尺寸与目标图像相同，在获得目标图像对应的分割掩膜，可将目标图像对应的分割掩膜与目标图像点乘，从而获得目标图像对应的分割结果。图7中的(a)图示出了一目标图像的示例，(b)图为采用本发明提供的方法针对(a)图示出的目标图像确定的分割掩膜，(c)图为利用(b)图示出的分割掩膜对目标图像进行分割得到的分割结果。由图7可以看出，本发明实施例提供的对象分割方法能够从目标图像中精准分割出目标对象。
140.第五实施例
141.在一种可能的实现方式中，可基于对象分割模型从目标图像中分割出目标对象，本实施例重点对基于对象分割模型从目标图像中分割出目标对象的过程进行介绍。
142.基于对象分割模型从目标图像中分割出目标对象的过程可以包括：
143.步骤e1、基于预先训练得到的对象分割模型，对目标图像进行处理，得到目标图像对应的分割掩膜。
144.其中，对象分割模型采用训练图像和训练图像对应的真实分割掩膜训练得到。需要说明的是，目标图像和训练图像为同领域包含同类型对象的图像，比如，目标图像和训练图像均为农业领域中包含农作物幼苗的图像。
145.具体的，将目标图像输入对象分割模型进行处理，得到对象分割模型输出的目标图像对应的分割掩膜。
146.请参阅图8，示出了对象分割模型的一示例，接下来以图8示出的对象分割模型为例，对对象分割模型对目标图像进行处理，输出目标图像对应的分割掩膜的过程进行介绍：
147.图8示出的对象分割模型可以包括：编码模块801、通道注意力模块802和解码模块803。其中，编码模块801可以包括特征提取部分8011和特征融合部分8012。
148.将目标图像输入对象分割模型后，首先由编码模块801对目标图像进行编码，编码过程为，首先由特征提取部分8011对目标图像由浅到深提取n个层次的特征，然后由特征融合部分8012对n个层次的特征进行信息融合，得到第1个层次至第n-1个层次分别对应的融合特征。特征提取部分8011对目标图像由浅到深提取n个层次的特征的具体实现过程可参见第二实施例，特征融合部分8012对n个层次的特征进行信息融合的过程可参见第三实施例，本实施例在此不做赘述。
149.可选的，特征提取部分8011可以采用深度卷积神经网络，深度卷积神经网络包括n个卷积段，第1个卷积段用于提取第1个层次的特征，第2个卷积段用于提取第2个层次的特征，
…
，第n个卷积段用于提取第n个层次的特征，其中，第1个卷积段～第n-1个卷积段中的每个卷积段后都接着一个最大池化层，第1个卷积段～第n-1个卷积段中的每个卷积段均包括第一类型的卷积和第二类型的卷积，第二类型的卷积位于第一类型的卷积之后，第二类型的卷积之后接最大池化层，第二类型的卷积为可变形卷积，第n个卷积段可以只包含第一类型的卷积，也可以包含第一类型的卷积和第二类型的卷积，第n个卷积段后无最大池化层。可选的，特征提取模块8011可基于vgg、resnet等网络构建。
150.可选的，特征融合部分8012可采用双路径特征金字塔网络，双路径特征金字塔网络可进行第一路径(自底向上)的特征融合和第二路径(自顶向下)的特征融合，其中，第一路径(自底向上)的特征融合过程可参见第三实施例中的步骤c1，第二路径(自顶向下)的特征融合过程可参见第三实施例中的步骤c2，本实施例在此不做赘述。
151.在获得第1个层次至第n-1个层次分别对应的融合特征后，将第1个层次至第n-1个层次分别对应的融合特征输入通道注意力模块802，通道注意力模块802将第1个层次至第n-1个层次分别对应的融合特征中的无关特征信息抑制掉，输出第1个层次至第n-1个层次分别对应的相关融合特征。
152.针对每个层次对应的融合特征，通道注意力模块802确定该层次对应的融合特征所包含的每个通道的特征的权重，按该层次对应的融合特征包含的每个通道的特征的权重，对该层次对应的融合特征包含的每个通道的特征加权，加权后得到该层次对应的相关融合特征，以得到第1个层次至第n-1个层次分别对应的相关融合特征。
153.可选的，通道注意力模块802可以包括全局池化层和两个全连接层，假设某个层次对应的融合特征为x，x包含n个通道的特征，则首先将n个通道的特征经全局池化层，然后将n个特征的全局池化结果经第一个全连接层，第一个全连接层的输出结果经relu函数，经relu函数的结果再经第二个全连接层，第二个全连接层的输出结果再经sigmoid函数，sigmoid函数将第二个全连接层的输出结果映射到[0,1]范围内，从而获得n个通道的特征的权重，若将n个通道的特征的权重表示为r
ca
，则r
ca
的计算公式如下：
[0154]rca
＝s(fc2(δ(fc1(x,w1)),w2))
ꢀꢀ
(1)
[0155]
其中，w1，w2为通道注意力模块802中的参数，s表示sigmoid函数，fc表示全连接层，δ表示relu函数。
[0156]
获得n个通道的特征的权重r
ca
后，将权重与对应特征相乘(将第1个通道的特征的权重与第1个通道的特征相乘，
…
，将第n个通道的特征的权重与第n个通道的特征相乘)，得到相关融合特征f
ca
，f
ca
的表达式如下：
[0157]fca
＝r
ca
·
x
ꢀꢀ
(2)
[0158]
在获得第1个层次至第n-1个层次分别对应的相关融合特征后，可将第n个层次的特征，以及第1个层次至第n-1个层次分别对应的相关融合特征输入解码模块803。
[0159]
可选的，解码模块803可以包括卷积层、上采样层、特征融合层和softmax层，可基于上采样层对第n个层次的特征进行上采样，可基于特征融合层将第n个层次的特征上采样结果与第n-1个层次对应的相关融合特征融合，可基于卷积层对融合结果进行卷积处理(比如两次卷积处理)，卷积处理结果作为第n-1个层次对应的目标特征，从第n-2个层次开始，可基于上采样层对前一个层次对应的目标特征进行上采样，可基于特征融合层将前一个层次对应的特征上采样结果与当前层次对应的相关融合特征融合，可基于卷积层对融合结果进行卷积处理(比如两次卷积处理)，卷积处理结果作为当前层次对应的目标特征，直至获得第1个层次对应的目标特征，可基于softmax层对第1个层次对应的目标特征进行处理，进而基于softmax层的输出结果获得目标图像对应的分割掩膜。需要说明的是，softmax层的输出结果为目标图像中每个像素点属于目标对象的概率，对softmax层的输出结果进行二值化即得到目标图像对应的分割掩膜。
[0160]
步骤e2、利用目标图像对应的分割掩膜，从目标图像中分割出目标对象。
[0161]
经由本发明实施例提供的对象分割方法，可从目标图像中精准分割出目标对象。
[0162]
第六实施例
[0163]
上述实施例提到，对象分割模型采用训练图像和训练图像对应的真实分割掩膜训练得到。本实施例对对象分割模型的训练过程进行介绍。
[0164]
对象分割模型的训练过程可以包括：
[0165]
步骤f1、将训练图像输入对象分割模型，得到训练图像中每个像素属于训练图像中对象的概率，并基于训练图像中每个像素属于训练图像中对象的概率确定训练图像中每个像素的预测类别标签。
[0166]
其中，预测类别标签用于指示对应的像素是否属于训练图像中的对象。
[0167]
将训练图像输入对象分割模型，得到训练图像中每个像素属于训练图像中对象的概率的具体过程，与将目标图像输入对象分割模型，得到目标图像中每个像素点属于目标图像中目标对象的概率的过程类似，本实施例在此不做赘述。
[0168]
步骤f2、根据训练图像对应的真实分割掩膜、训练图像中每个像素属于训练图像中对象的概率和训练图像中每个像素的预测类别标签，确定第一预测损失和第二预测损失。
[0169]
其中，第一预测损失用于使对象分割模型针对训练图像中每个像素预测的类别标签与对应的真实类别标签趋于一致，需要说的是，训练图像中每个像素的真实类别标签由训练图像对应的真实分割掩膜决定，第二预测损失用于使针对训练图像预测的分割掩膜与训练图像对应的真实分割掩膜的重叠部分最大化。
[0170]
具体的，可根据训练图像对应的真实分割掩膜和训练图像中每个像素属于训练图像中对象的概率确定第一预测损失，可根据训练图像对应的真实分割掩膜和训练图像中每个像素的预测类别标签确定第二预测损失。
[0171]
可选的，第一预测损失可以采用交叉熵损失，交叉熵损失的计算式如下：
[0172][0173]
其中，w、h为训练图像的宽高，n为训练图像的总像素数，m为像素类别的数量，y
ijc
为符号函数，如果某像素的真实类别标签等于c取1，否则取0，p
ijc
为某像素属于类别c的预测概率。
[0174]
可选的，第二预测损失可采用dice损失，dice损失的计算式如下：
[0175][0176]
其中，t
ij
表示某像素的真实类别标签，p
ij
表示某像素的预测类别标签，w、h为训练图像的宽高，表示针对训练图像预测的分割掩膜与训练图像对应的真实分割掩膜的重叠部分的像素数量，表示针对训练图像预测的分割掩膜像素与训练图像对应的真实分割掩膜的像素数量。
[0177]
对于交叉熵损失而言，当背景像素数量远大于前景像素数量时，会导致模型严重偏向于背景，分割效果不好。针对此，本发明引入dice损失以缓解背景、前景失衡问题。
[0178]
步骤f3、将第一预测损失和第二预测损失融合，并根据融合后损失对对象分割模
型进行参数更新。
[0179]
将第一预测损失和第二预测损失融合的方式有多种，在一种可能的实现方式中，可直接将第一预测损失和第二预测损失求和，在另一种可能的实现方式中，可将第一预测损失和第二预测损失加权求和，本发明优选第二种实现方式。
[0180]
采用不同的训练图像，按上述过程进行多次训练，直至满足训练结束条件。
[0181]
第七实施例
[0182]
本发明实施例还提供了一种对象分割装置，下面对本发明实施例提供的对象分割装置进行描述，下文描述的对象分割装置与上文描述的对象分割方法可相互对应参照。
[0183]
请参阅图9，示出了本发明实施例提供的对象分割装置的结构示意图，可以包括：图像获取模块901、特征提取模块902、特征融合模块903和对象分割模块904。
[0184]
图像获取模块901，用于获取包含目标对象的图像，作为目标图像；
[0185]
特征提取模块902，用于对所述目标图像由浅到深提取n个层次的特征。
[0186]
其中，n为大于1的整数，第1个层次的特征为最浅层特征，第n个层次的特征为最深层特征；
[0187]
特征融合模块903，用于对所述n个层次的特征进行信息融合，得到第1个层次至第n-1个层次分别对应的融合特征。
[0188]
其中，所述融合特征包含对应层次的特征信息和其它层次的特征信息；
[0189]
对象分割模块904，用于基于第n个层次的特征，以及第1个层次至第n-1个层次分别对应的融合特征，从所述目标图像中分割出所述目标对象。
[0190]
可选的，特征提取模块902在对所述目标图像由浅到深提取n个层次的特征时，具体用于：
[0191]
利用第一类型的卷积对所述目标图像提取第1个层次的特征，利用第二类型的卷积对所述第1个层次的特征提取特征，得到第1个层次的最终特征，其中，所述第二类型的卷积为可变形卷积；
[0192]
从第2个层次开始，对前一个层次的最终特征进行池化处理，利用所述第一类型的卷积对池化处理后特征提取特征，得到当前层次的初步特征，利用所述第二类型的卷积对当前层次的初步特征提取特征，得到当前层次的最终特征，直至获得第n-1个层次的最终特征；
[0193]
对第n-1个层次的最终特征进行池化处理，利用所述第一类型的卷积对第n-1个层次的池化处理后特征提取特征，得到第n个层次的初步特征，利用所述第一类型的卷积或者所述第二类型的卷积对所述第n个层次的初步特征提取特征，得到第n个层次的最终特征。
[0194]
可选的，特征融合模块903在对所述n个层次的特征进行信息融合，得到第1个层次至第n-1个层次分别对应的融合特征时，具体用于：
[0195]
将第n个层次的特征的特征信息融入第n-1个层次的特征中，得到第n-1个层次对应的一次融合特征；从第n-2个层次开始，将后一个层次对应的一次融合特征的特征信息融入当前层次的特征中，得到当前层次对应的一次融合特征，直至获得第1个层次对应的一次融合特征；
[0196]
将第1个层次对应的一次融合特征作为第1个层次对应的最终融合特征；从第2个层次开始，将前一个层次对应的最终融合特征的特征信息融入当前层次对应的一次融合特
征中，得到当前层次对应的最终融合特征，直至获得第n-1个层次对应的最终融合特征。
[0197]
可选的，特征融合模块903在将第n个层次的特征的特征信息融入第n-1个层次的特征中，得到第n-1个层次对应的一次融合特征时，具体用于：
[0198]
对第n个层次的特征进行降维和上采样处理，将第n个层次的处理后特征与第n-1个层次的特征融合，得到第n-1个层次对应的一次融合特征；
[0199]
所述将后一个层次对应的一次融合特征的特征信息融入当前层次的特征中，得到当前层次对应的一次融合特征，包括：
[0200]
对所述后一个层次对应的一次融合特征进行降维和上采样处理，将后一个层次对应的处理后一次融合特征与当前层次的特征融合，得到当前层次对应的一次融合特征；
[0201]
所述将前一个层次对应的最终融合特征的特征信息融入当前层次对应的一次融合特征中，得到当前层次对应的最终融合特征，包括：
[0202]
对前一个层次对应的最终融合特征进行下采样处理，将前一层次对应的处理后融合特征与当前层次对应的一次融合特征融合，得到当前层次对应的最终融合特征。
[0203]
可选的，对象分割模块904在基于第n个层次的特征，以及第1个层次至第n-1个层次分别对应的融合特征，从所述目标图像中分割出所述目标对象时，具体用于：
[0204]
将第1个层次至第n-1个层次分别对应的融合特征中无关的特征信息去除，得到第1个层次至第n-1个层次分别对应的相关融合特征；
[0205]
基于所述第n个层次的特征，以及所述第1个层次至第n-1个层次分别对应的相关融合特征，确定所述目标图像对应的分割掩膜；
[0206]
利用所述目标图像对应的分割掩膜，从所述目标图像中分割出所述目标对象。
[0207]
可选的，每个层次对应的融合特征包括多个通道的特征；
[0208]
对象分割模块904在将第1个层次至第n-1个层次分别对应的融合特征中无关的特征信息去除时，具体用于：
[0209]
针对所述第1个层次至第n-1个层次中的每个层次：
[0210]
确定该层次对应的融合特征包含的每个通道的特征的权重；
[0211]
按该层次对应的融合特征包含的每个通道的特征的权重，对该层次对应的融合特征包含的每个通道的特征加权，加权后得到该层次对应的相关融合特征。
[0212]
可选的，对象分割模块904在基于所述第n个层次的特征，以及所述第1个层次至第n-1个层次分别对应的相关融合特征，确定所述目标图像对应的分割掩膜时，具体用于：
[0213]
对所述第n个层次的特征进行上采样，将所述第n个层次的特征上采样结果与所述第n-1个层次对应的相关融合特征融合，并对融合结果进行卷积处理，卷积处理结果作为所述第n-1个层次对应的目标特征；
[0214]
从第n-2个层次开始，对前一个层次对应的目标特征进行上采样，将前一个层次对应的特征上采样结果与当前层次对应的相关融合特征融合，并对融合结果进行卷积处理，卷积处理结果作为当前层次对应的目标特征，直至获得第1个层次对应的目标特征；
[0215]
根据所述第1个层次对应的目标特征，确定所述目标图像对应的分割掩膜。
[0216]
可选的，特征提取模块902、特征融合模块903和对象分割模块904的实现过程可基于对象分割模型实现，具体的，基于预先训练得到的对象分割模型，对所述目标图像进行处理，得到所述目标图像对应的分割掩膜；其中，所述对象分割模型采用训练图像和所述训练
图像对应的真实分割掩膜训练得到。
[0217]
可选的，所述对象分割模型的训练目标包括：
[0218]
使针对所述训练图像中每个像素预测的类别标签与对应的真实类别标签趋于一致，其中，所述训练图像中每个像素的真实类别标签由所述训练图像对应的真实分割掩膜决定；
[0219]
以及，使针对所述训练图像预测的分割掩膜与所述训练图像对应的真实分割掩膜的重叠部分最大化。
[0220]
可选的，对象分割模型包括：编码模块、通道注意力模块和解码模块；
[0221]
所述编码模块，用于对所述目标图像由浅到深提取n个层次的特征，以及，对所述n个层次的特征进行信息融合，得到第1个层次至第n-1个层次分别对应的融合特征；
[0222]
所述通道注意力模块，用于将第1个层次至第n-1个层次分别对应的融合特征中无关的特征信息去除，得到第1个层次至第n-1个层次分别对应的相关融合特征；
[0223]
所述解码模块，用于基于第n个层次的特征，以及所述第1个层次至第n-1个层次分别对应的相关融合特征，确定所述目标图像对应的分割掩膜。
[0224]
本发明实施例提供的对象分割装置，在获得包含目标对象的图像即目标图像后，首先对目标图像由浅到深提取n个层次的特征，然后对n个层次的特征进行信息融合，得到第1个层次至第n-1个层次分别对应的融合特征，接着将第1个层次至第n-1个层次分别对应的融合特征中无关的信息抑制掉，最后基于第n个层次的特征，以及第1个层次至第n-1个层次分别对应的相关融合特征从目标图像中分割出目标对象。由于第n个层次的特征为最深层次的特征，第1个层次至第n-1个层次分别对应的相关融合特征(包含了对应层与其它各层的融合特征信息)，因此，第n个层次的特征以及第1个层次至第n-1个层次分别对应的相关融合特征能够较好的对目标对象进行表达，基于第n个层次的特征以及第1个层次至第n-1个层次分别对应的相关融合特征能够从目标图像中精准分割出目标对象，即本发明实施例提供的对象分割装置可做到高精度分割，并且，本发明提供的对象分割装置对应用场景无要求，通用性较强。
[0225]
第八实施例
[0226]
本发明实施例还提供了一种对象分割设备，请参阅图10，示出了该对象分割设备的结构示意图，该对象分割设备可以包括：至少一个处理器1001，至少一个通信接口1002，至少一个存储器1003和至少一个通信总线1004；
[0227]
在本发明实施例中，处理器1001、通信接口1002、存储器1003、通信总线1004的数量为至少一个，且处理器1001、通信接口1002、存储器1003通过通信总线1004完成相互间的通信；
[0228]
处理器1001可能是一个中央处理器cpu，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路等；
[0229]
存储器1003可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)等，例如至少一个磁盘存储器；
[0230]
其中，存储器存储有程序，处理器可调用存储器存储的程序，所述程序用于：
[0231]
获取包含目标对象的图像，作为目标图像；
[0232]
对所述目标图像由浅到深提取n个层次的特征，其中，n为大于1的整数，第1个层次的特征为最浅层特征，第n个层次的特征为最深层特征；
[0233]
对所述n个层次的特征进行信息融合，得到第1个层次至第n-1个层次分别对应的融合特征，所述融合特征包含对应层次的特征信息和其它层次的特征信息；
[0234]
基于所述第n个层次的特征，以及所述第1个层次至第n-1个层次分别对应的融合特征，从所述目标图像中分割出所述目标对象。
[0235]
可选的，所述程序的细化功能和扩展功能可参照上文描述。
[0236]
第九实施例
[0237]
本发明实施例还提供一种可读存储介质，该可读存储介质可存储有适于处理器执行的程序，所述程序用于：
[0238]
获取包含目标对象的图像，作为目标图像；
[0239]
对所述目标图像由浅到深提取n个层次的特征，其中，n为大于1的整数，第1个层次的特征为最浅层特征，第n个层次的特征为最深层特征；
[0240]
对所述n个层次的特征进行信息融合，得到第1个层次至第n-1个层次分别对应的融合特征，所述融合特征包含对应层次的特征信息和其它层次的特征信息；
[0241]
基于所述第n个层次的特征，以及所述第1个层次至第n-1个层次分别对应的融合特征，从所述目标图像中分割出所述目标对象。
[0242]
可选的，所述程序的细化功能和扩展功能可参照上文描述。
[0243]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0244]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
[0245]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。