一种图像分割方法、装置、设备及存储介质与流程
本公开实施例涉及图像处理技术领域，尤其涉及一种图像分割方法、装置、设备及存储介质。
背景技术：
语言指示下的图像分割是跨模态学习中一项非常重要的技术，又被称为指代性图像分割，目标是分割出图像中语言指定的物体。语言指示下的图像分割由于需要消除图像与语言描述之间的语义鸿沟问题，因而更加具有挑战性。
公开内容
本公开实施例提供一种图像分割方法、装置、设备及存储介质，能够在描述语言的指示下有效分割出图像中的指定物体。
第一方面，本公开实施例提供了一种图像分割方法，包括：
融合原始图像对应的视觉特征和描述语言对应的文本特征，得到多模态特征，所述描述语言用于指定所述原始图像中待分割的目标物体；
根据所述多模态特征对应的图像确定所述目标物体的视觉区域，并将所述视觉区域对应的图像记为响应热度图；
根据所述多模态特征对应的图像和所述响应热度图，确定所述目标物体的分割结果。
第二方面，本公开实施例还提供了一种图像分割装置，包括：
融合模块，用于融合原始图像对应的视觉特征和描述语言对应的文本特征，得到多模态特征，所述描述语言用于指定所述原始图像中待分割的目标物体；
视觉区域确定模块，用于根据所述多模态特征对应的图像确定所述目标物体的视觉区域，并将所述视觉区域对应的图像记为响应热度图；
分割结果确定模块，用于根据所述多模态特征对应的图像和所述响应热度图，确定所述目标物体的分割结果。
第三方面，本公开实施例还提供了一种电子设备，包括：
一个或多个处理器；
存储器，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时实现如第一方面所述的图像分割方法。
第四方面，本公开实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的图像分割方法。
本公开实施例提供一种图像分割方法、装置、设备及存储介质，通过融合原始图像对应的视觉特征和描述语言对应的文本特征，得到多模态特征，所述描述语言用于指定所述原始图像中待分割的目标物体；根据所述多模态特征对应的图像确定所述目标物体的视觉区域，并将所述视觉区域对应的图像记为响应热度图；根据所述多模态特征对应的图像和所述响应热度图，确定所述目标物体的分割结果。上述方案对图像分割过程进行了分解，首先基于融合得到的多模态特征对应的图像确定目标物体的视觉区域，得到响应热度图，然后根据多模态特征对应的图像和响应热度图进一步确定分割结果，有效消除了图像和描述语言之间的语义鸿沟，分割出了描述语言指定的目标物体。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1为本公开实施例提供的一种图像分割方法的流程图；
图2为本公开实施例二提供的一种图像分割方法的流程图；
图3为本公开实施例二提供的一种图像分割模型的结构示意图；
图4为本公开实施例二提供的一种图像分割方法的实现流程图；
图5为本公开实施例二提供的一种原始图像的示意图；
图6为本公开实施例二提供的一种分割结果的示意图；
图7为采用传统方法得到的分割结果的示意图；
图8为本公开实施例二提供的一种利用本公开实施例提供的图像分割方法和现有技术对同一图像进行分割的结果对比示意图；
图9为本公开实施例三提供的一种图像分割装置的结构图；
图10为本公开实施例四提供的一种电子设备的结构图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块、单元或操作进行区分，并非用于限定这些装置、模块、单元或操作所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
实施例一
图1为本公开实施例提供的一种图像分割方法的流程图，本实施例可适用于语言指示下的图像中物体分割的情况，具体可以应用于交互时的图像编辑或人机交互等领域，也可以应用于语言驱动的图像物体检测或语言驱动的图像理解等领域。该方法可以由图像分割装置来执行，该装置可以采用软件和/或硬件的方式实现，该装置可以配置在电子设备中，该电子设备可以是具备图像数据处理功能的终端，例如可以是手机、平板、笔记本等移动终端，也可以是台式机等固定终端或服务器。如图1所示，该方法具体包括如下步骤：
s110、融合原始图像对应的视觉特征和描述语言对应的文本特征，得到多模态特征，所述描述语言用于指定所述原始图像中待分割的目标物体。
原始图像可以是包含至少一个物体的图像，可以通过摄像头或扫描仪等方式获取，也可以从已有的图像库中选择。视觉特征可以是原始图像在设定分辨率下对应的图像特征，其实际上是一个图像，实施例对分辨率的大小也不进行限定。在一个示例中，可以通过视觉特征提取网络提取原始图像在设定分辨率下的图像特征，得到对应的视觉特征图像。视觉特征提取网络可以采用darknet网络结构或其他可以用于提取视觉特征的网络结构。darknet是一个开源的深度学习框架，结构简单，没有依赖项，利用其提取视觉特征时灵活性更好。
描述语言可以是指代性语言描述对应的文本，用于指定分割原始图像中的目标物体。描述语言可以包括图像信息、目标物体的位置信息以及目标物体的外表信息等。图像信息用于确定需要分割的图像的信息，例如可以包括图像的名称或编号等唯一标识该图像的信息。位置信息用于初步确定目标物体在原始图像中的位置。外表信息用于确定最终的目标物体。例如描述语言可以是图像a中手拿羽毛球拍、穿红色衣服的用户。文本特征可以是反映描述语言含义的特征，一般可以采用向量的形式表示。可选的，可以通过文本特征提取网络提取描述语言的文本特征，实施例对文本特征提取网络的结构不进行限定，例如可以采用gru(gatedrecurrentunit，门控循环单元)网络，gru是循环神经网络的一种。
多模态特征即融合多个模态的特征得到的融合特征，本实施例将视觉特征和文本特征融合得到多模态特征，实现了跨模态的特征表示，消除了图像和描述语言之间的语义鸿沟。可选的，可以将视觉特征和文本特征对应位置的数据叉乘得到视觉特征和文本特征的融合特征，也即多模态特征。多模态特征实际上也是一个图像，多模态特征也可以称为多模态特征图像或多模态特征对应的图像，即包含多模态特征的图像。
s120、根据所述多模态特征对应的图像确定所述目标物体的视觉区域，并将所述视觉区域对应的图像记为响应热度图。
视觉区域为目标物体所在的区域，例如目标物体为披萨时，视觉区域为披萨所在的区域。本实施例在分割目标物体时，首先确定目标物体的视觉区域，在视觉区域的基础上进一步分割目标物体，可以有效降低图像分割的复杂度。可选的，可以对多模态特征对应的图像进行滤波，消除非目标物体对目标物体的干扰，得到目标物体的视觉区域。实施例将滤波后的图像也即视觉区域对应的图像记为响应热度图，该图表示了目标物体的位置信息，每一个区域对应有一个响应值，响应值越大，表示该区域存在目标物体的可能性越大。可选的，可以将响应值大于设定阈值的区域作为目标物体的视觉区域，并进行高亮显示，实施例对设定阈值的大小不进行限定。
s130、根据所述多模态特征对应的图像和所述响应热度图，确定所述目标物体的分割结果。
可选的，可以通过图像分割模型结合多模态特征对应的图像和响应热度图确定分割结果。图像分割模型用于确定目标物体的分割结果，该模型的结构可以根据需要设定，例如可以包括卷积层和上采样层，卷积层用于对输入的图像执行卷积操作，上采样层用于对卷积结果进行上采样，得到分割结果，分割结果所对应图像的大小与原始图像真实分割结果的大小相同。本实施例的图像分割模型以多模态特征对应的图像和响应热度图为输入，应用之前，可以将多模态特征对应的图像和响应热度图输入图像分割模型，对图像分割模型进行训练，以调整卷积层和上采样层的参数。可选的，可以确定图像分割模型输出的分割结果相对于原始图像对应的真实分割结果的损失值，当损失值小于设定阈值时，训练结束，并将损失值小于设定阈值所对应的模型作为本实施例用于分割目标物体的图像分割模型。
本公开实施例一提供一种图像分割方法，通过融合原始图像对应的视觉特征和描述语言对应的文本特征，得到多模态特征，所述描述语言用于指定所述原始图像中待分割的目标物体；根据所述多模态特征对应的图像确定所述目标物体的视觉区域，并将所述视觉区域对应的图像记为响应热度图；根据所述多模态特征对应的图像和所述响应热度图，确定所述目标物体的分割结果。该方法对图像分割过程进行了分解，首先基于融合得到的多模态特征对应的图像确定目标物体的视觉区域，得到响应热度图，然后根据多模态特征对应的图像和响应热度图进一步确定分割结果，有效消除了图像和描述语言之间的语义鸿沟，分割出了描述语言指定的目标物体。
实施例二
图2为本公开实施例二提供的一种图像分割方法的流程图，本实施例是在上述实施例的基础上进行优化，参考图2，该方法可以包括如下步骤：
s210、融合原始图像对应的视觉特征和描述语言对应的文本特征，得到多模态特征。
视觉特征的数量可以是一个或多个，为了提高分割结果的准确度，可以包括原始图像在至少两个不同分辨率下分别提取的视觉特征。视觉特征的数量过少会影响分割结果的准确度，过多会增加计算量。实施例以三个视觉特征为例，在提高分割结果准确度的同时可以减小计算量。具体的，本实施例的视觉特征可以包括原始图像(rh×w×3)在第一分辨率下提取的第一视觉特征
在一个示例中，可以通过如下方式得到多模态特征：
按照分辨率的大小顺序排列所述至少两个视觉特征，得到排序结果；
通过映射矩阵将所述文本特征映射到第一分辨率对应的第一视觉特征所在的特征空间，所述第一分辨率的值最小；
拼接所述第一视觉特征和映射后的文本特征，得到第一拼接特征；
对所述第一拼接特征进行上采样，并将上采样后的第一拼接特征与第二分辨率对应的第二视觉特征进行拼接，得到第二拼接特征，循环执行上采样和拼接的操作，直至将上采样后的拼接特征与分辨率最大的视觉特征拼接，得到多模态特征为止，所述第二分辨率大于所述第一分辨率，所述第二分辨率为除所述第一分辨率之外最小的分辨率。
考虑到文本特征和视觉特征的长度不同，为了保证融合效果，可以先将文本特征和视觉特征映射到同一个特征空间。例如可以将视觉特征映射到文本特征所在的空间，也可以将文本特征映射到视觉特征所在的空间，还可以将文本特征和视觉特征映射到其他特征空间。实施例以将文本特征映射到视觉特征所在的特征空间为例，可以简化映射过程，降低计算量。
当视觉特征存在多个时，其对应的分辨率也不同，对应的图像大小也不同，为了保证拼接的有效性，实施例基于各视觉特征的分辨率大小由小到大对各视觉特征进行排序，得到排序结果。在拼接特征时，按照排序结果由小到大进行，即先拼接分辨率最小的视觉特征和文本特征，然后对拼接结果进行上采样，再和排序结果中下一个分辨率对应的视觉特征进行拼接，直至和分辨率最大的视觉特征拼接结束为止。
以视觉特征包括三个为例，分别为第一视觉特征、第二视觉特征和第三视觉特征，分别对应第一分辨率、第二分辨率和第三分辨率，其中，第一分辨率<第二分辨率<第三分辨率。具体的，可以将通过叉乘的方式计算第一视觉特征和映射后的文本特征对应位置的值，实现第一视觉特征和映射后文本特征的拼接，得到第一拼接特征。如上所述，第一视觉特征的分辨率<第二视觉特征的分辨率<第三视觉特征的分辨率，也即第一拼接特征的分辨率小于第二视觉特征的分辨率，为了实现相同分辨率下的特征拼接，实施例对第一拼接特征进行上采样，使上采样得到的特征的分辨率与第二视觉特征的分辨率相同，然后执行与第一拼接特征类似的拼接操作，拼接第二视觉特征和上采样后的第一视觉特征，得到第二拼接特征，然后对第二拼接特征进行上采样，并将上采样后的第二拼接特征与第三视觉特征进行拼接，得到第三拼接特征，也即多模态特征。本实施例将文本特征与视觉特征融合，实现了特征的跨模态表示，在后续分割目标物体时，可以提高分割结果的准确度。
s220、对所述多模态特征对应的图像进行相关性滤波，得到所述目标物体的视觉区域。
在一个示例中，可以根据文本特征生成一个卷积核，根据该卷积核对多模态特征对应的图像进行卷积操作，实现对多模态特征图像的相关性滤波，得到各个区域对应的响应值，响应值越大的区域表示存在目标物体的可能性越大，根据响应值即可得到对应的视觉区域。
s230、将所述视觉区域对应的图像记为响应热度图。
s240、将所述多模态特征对应的图像和所述响应热度图输入目标图像分割模型，获取所述目标图像分割模型输出的结果，作为所述目标物体的分割结果。
本实施例根据视觉区域，设计了一个初始图像分割模型，以获取更加准确的分割结果。示例性的，参考图3，图3为本公开实施例二提供的一种初始图像分割模型的结构示意图，该图像分割模型包括输入层、并行的第一卷积层、拼接层、第二卷积层、上采样层和输出层，第一卷积层的数量可以根据情况设定，图3以5个第一卷积层为例，从而可以更好的捕捉图像在不同尺度上的内容。每个第一卷积层对应一个采样率，即分别对输入图像执行5种不同采样率的第一卷积操作，得到5种卷积结果。拼接层用于拼接这5种卷积结果。第二卷积层用于对拼接后的结果再次执行卷积操作。上采样层用于保证图像分割模型输出的分割结果的分辨率与原始图像真实分割结果的分辨率一致。
在应用图像分割模型之前，可以对初始图像分割模型中第一卷积层、拼接层、第二卷积层和上采样层的参数进行训练，得到目标图像分割模型。训练过程如下：
获取样本图像和样本描述语言，并提取所述样本图像的样本视觉特征和所述样本描述语言的样本文本特征；
融合所述样本视觉特征和所述样本文本特征，得到样本多模态特征；
根据所述样本多模态特征对应的图像确定所述样本目标物体的样本视觉区域，并将所述样本视觉区域对应的图像记为样本响应热度图；
根据所述样本多模态特征对应的图像和所述样本响应热度图训练初始图像分割模型，得到所述目标图像分割模型。
实施例对样本图像和样本描述语言的数量不进行限定，为了提高图像分割模型的准确度，可以选择多组样本图像和样本描述语言；然后提取并拼接样本图像的样本视觉特征和样本描述语言的样本文本特征，得到样本多模态特征；对多模态特征进行相关性滤波得到样本响应热度图；由此可以根据样本多模态特征对应的图像和样本响应热度图训练初始图像分割模型，得到目标图像分割模型。特征的提取、拼接和滤波过程可以参考上述实施例，此处不再赘述。
具体的，可以按照图3所示的结构，将样本多模态特征对应的图像和样本响应热度图输入初始图像分割模型，得到样本多模态特征对应的图像和样本响应热度图的第一卷积结果；拼接各第一卷积结果，得到拼接结果；对拼接结果进行第二卷积操作，得到第二卷积结果；对第二卷积结果进行上采样，得到样本分割结果；确定样本分割结果相对样本图像的真实分割结果的损失值；当损失值小于设定阈值时，停止训练，并将损失值小于设定阈值的图像分割模型作为目标图像分割模型；否则，继续训练初始图像分割模型，直至损失值小于设定阈值。可选的，可以采用如下损失函数确定样本分割结果相对样本图像的真实分割结果的损失值：
其中，l为样本分割结果相对样本图像的真实分割结果的损失值，yl为原始图像下采样后的真实分割结果中每个区域的元素值，pl为样本分割结果中每个区域的元素值。设定阈值的大小可以根据情况设定，例如可以为0.5，即当l＜0.5时，训练结束。
示例性的，参考图4，图4为本公开实施例二提供的一种图像分割方法的实现流程图。首先获取原始图像和描述语言，然后提取原始图像在不同层级的视觉特征和描述语言对应的文本特征，图4以三个层级为例，分别对应三种分辨率，然后拼接第一视觉特征fv1与映射后的文本特征得到第一拼接特征fm1，对第一拼接特征fm1上采样之后与第二视觉特征fv2进行拼接，得到第二拼接特征fm2，对第二拼接特征fm2上采样之后与第三视觉特征fv3进行拼接，得到第三拼接特征fm3，也即多模态特征。然后对多模态特征fm3进行相关性滤波，得到响应热度图，将响应热度图和多模态特征fm3对应的图像输入目标图像分割模型，即可得到目标物体的分割结果，简单有效。
示例性的，参考图5，图5为本公开实施例二提供的一种原始图像的示意图，假定语言文本为“pizzanearest”，即分割出距离最近的披萨，按照上述实施例提供的图像分割方法，可以得到如图6所示的分割结果。利用传统方法得到的分割结果如图7所示。示例性的，参考图8，图8为本公开实施例二提供的一种利用本公开实施例提供的图像分割方法和现有技术对同一图像进行分割的结果对比示意图。其中，第一列分别为三种原始图像，第二列分别为采用本公开实施例提供的方法分割得到的物体，第三列和第四列分别为采用现有技术分割得到的物体。由图6和8可以看出，利用本公开实施例提供的图像分割方法分割得到的物体更接近其真实结果，提高了图像分割结果的准确度。
本公开实施例二提供一种图像分割方法，在上述实施例的基础上，对图像分割的过程进行分解，先初步确定目标物体的视觉区域，然后构建初始图像分割模型，简化了初始图像分割模型的复杂度，利用多模态特征图像和响应热度图训练初始图像分割模型，得到目标图像分割模型，进而利用目标图像分割模型得到分割结果，有效消除了图像和描述语言之间的语义鸿沟，也在一定程度上提高了分割结果的准确度。
实施例三
图9为本公开实施例三提供的一种图像分割装置的结构图，该装置可以执行上述实施例所述的图像分割方法，该装置可以集成在电子设备中，参考图9，该装置可以包括：
融合模块31，用于融合原始图像对应的视觉特征和描述语言对应的文本特征，得到多模态特征，所述描述语言用于指定所述原始图像中待分割的目标物体；
视觉区域确定模块32，用于根据所述多模态特征对应的图像确定所述目标物体的视觉区域，并将所述视觉区域对应的图像记为响应热度图；
分割结果确定模块33，用于根据所述多模态特征对应的图像和所述响应热度图，确定所述目标物体的分割结果。
本公开实施例提供一种图像分割装置，通过融合原始图像对应的视觉特征和描述语言对应的文本特征，得到多模态特征，所述描述语言用于指定所述原始图像中待分割的目标物体；根据所述多模态特征对应的图像确定所述目标物体的视觉区域，并将所述视觉区域对应的图像记为响应热度图；根据所述多模态特征对应的图像和所述响应热度图，确定所述目标物体的分割结果。该装置对图像分割过程进行了分解，首先基于融合得到的多模态特征对应的图像确定目标物体的视觉区域，得到响应热度图，然后根据多模态特征对应的图像和响应热度图进一步确定分割结果，有效消除了图像和描述语言之间的语义鸿沟，分割出了描述语言指定的目标物体。
在上述实施例的基础上，视觉区域确定模块32，包括：
滤波单元，用于对所述多模态特征对应的图像进行相关性滤波，得到所述目标物体的视觉区域。
在上述实施例的基础上，滤波单元，具体用于：
根据所述文本特征确定卷积核；
根据所述卷积核对所述多模态特征对应的图像进行卷积操作，得到所述目标物体的视觉区域。
在上述实施例的基础上，所述视觉特征包括所述原始图像在至少两个不同分辨率下分别提取的视觉特征。
在上述实施例的基础上，融合模块31，具体用于：
按照分辨率的大小顺序排列所述至少两个视觉特征，得到排序结果；
通过映射矩阵将所述文本特征映射到第一分辨率对应的第一视觉特征所在的特征空间，所述第一分辨率的值最小；
拼接所述第一视觉特征和映射后的文本特征，得到第一拼接特征；
对所述第一拼接特征进行上采样，并将上采样后的第一拼接特征与第二分辨率对应的第二视觉特征进行拼接，得到第二拼接特征，循环执行上采样和拼接的操作，直至将上采样后的拼接特征与分辨率最大的视觉特征拼接，得到多模态特征为止，所述第二分辨率大于所述第一分辨率，所述第二分辨率为除所述第一分辨率之外最小的分辨率。
在上述实施例的基础上，分割结果确定模块33，具体用于：
将所述多模态特征对应的图像和所述响应热度图输入目标图像分割模型，获取所述目标图像分割模型输出的结果，作为所述目标物体的分割结果。
在上述实施例的基础上，所述目标图像分割模型的训练过程如下：
获取样本图像和样本描述语言，并提取所述样本图像的样本视觉特征和所述样本描述语言的样本文本特征，所述样本描述语言用于指定所述样本图像中待分割的样本目标物体；
融合所述样本视觉特征和所述样本文本特征，得到样本多模态特征；
根据所述样本多模态特征对应的图像确定所述样本目标物体的样本视觉区域，并将所述样本视觉区域对应的图像记为样本响应热度图；
根据所述样本多模态特征对应的图像和所述样本响应热度图训练初始图像分割模型，得到所述目标图像分割模型。
在上述实施例的基础上，所述根据所述样本多模态特征对应的图像和所述样本响应热度图训练初始图像分割模型，得到所述目标图像分割模型，包括：
将所述样本多模态特征对应的图像和所述样本响应热度图输入所述初始图像分割模型，得到所述样本多模态特征对应的图像和所述样本响应热度图的第一卷积结果，所述第一卷积结果由所述样本多模态特征对应的图像和所述样本响应热度图在不同采样率下执行第一卷积操作得到；
拼接各所述第一卷积结果，得到拼接结果；
对所述拼接结果进行第二卷积操作，得到第二卷积结果；
对所述第二卷积结果进行上采样，得到样本分割结果；
确定所述样本分割结果相对所述样本图像的真实分割结果的损失值；
当所述损失值小于设定阈值时，停止训练，并将损失值小于设定阈值的图像分割模型作为所述目标图像分割模型；否则，继续训练所述初始图像分割模型，直至损失值小于设定阈值。
本公开实施例提供的图像分割装置与上述实施例提供的图像分割方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例具备执行图像分割方法相同的有益效果。
实施例四
下面参考图10，其示出了适于用来实现本公开实施例的电子设备600的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机以及服务器等等的固定终端。图10示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图10所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(rom)602中的程序或者从存储装置608加载到随机访问存储器(ram)603中的程序而执行各种适当的动作和处理。在ram603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、rom602以及ram603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。
通常，以下装置可以连接至i/o接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图10示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态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流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从rom602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
实施例五
本公开上述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。在本公开中，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。而在本公开中，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、光信号或上述的任意合适的组合。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，该计算机可读信号介质可以发送、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：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如http(hypertexttransferprotocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“lan”)，广域网(“wan”)，网际网(例如，互联网)以及端对端网络(例如，adhoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
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电子设备执行时，使得该电子设备：融合原始图像对应的视觉特征和描述语言对应的文本特征，得到多模态特征，所述描述语言用于指定所述原始图像中待分割的目标物体；根据所述多模态特征对应的图像确定所述目标物体的视觉区域，并将所述视觉区域对应的图像记为响应热度图；根据所述多模态特征对应的图像和所述响应热度图，确定所述目标物体的分割结果。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、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，该模块、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，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/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。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，拼接模块还可以被描述为“拼接原始图像对应的视觉特征和语言文本对应的文本特征，得到多模态特征的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑设备(cpld)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例，本公开提供了一种图像分割方法，包括：
融合原始图像对应的视觉特征和描述语言对应的文本特征，得到多模态特征，所述描述语言用于指定所述原始图像中待分割的目标物体；
根据所述多模态特征对应的图像确定所述目标物体的视觉区域，并将所述视觉区域对应的图像记为响应热度图；
根据所述多模态特征对应的图像和所述响应热度图，确定所述目标物体的分割结果。
根据本公开的一个或多个实施例，本公开提供的图像分割方法中，所述根据所述多模态特征对应的图像确定所述目标物体的视觉区域，包括：
对所述多模态特征对应的图像进行相关性滤波，得到所述目标物体的视觉区域。
根据本公开的一个或多个实施例，本公开提供的图像分割方法中，所述对所述多模态特征对应的图像进行相关性滤波，得到所述目标物体的视觉区域，包括：
根据所述文本特征确定卷积核；
根据所述卷积核对所述多模态特征对应的图像进行卷积操作，得到所述目标物体的视觉区域。
根据本公开的一个或多个实施例，本公开提供的图像分割方法中，所述视觉特征包括所述原始图像在至少两个不同分辨率下分别提取的视觉特征。
根据本公开的一个或多个实施例，本公开提供的图像分割方法中，所述融合原始图像对应的视觉特征和描述语言对应的文本特征，得到多模态特征，包括：
按照分辨率的大小顺序排列所述至少两个视觉特征，得到排序结果；
通过映射矩阵将所述文本特征映射到第一分辨率对应的第一视觉特征所在的特征空间，所述第一分辨率的值最小；
拼接所述第一视觉特征和映射后的文本特征，得到第一拼接特征；
对所述第一拼接特征进行上采样，并将上采样后的第一拼接特征与第二分辨率对应的第二视觉特征进行拼接，得到第二拼接特征，循环执行上采样和拼接的操作，直至将上采样后的拼接特征与分辨率最大的视觉特征拼接，得到多模态特征为止，所述第二分辨率大于所述第一分辨率，所述第二分辨率为除所述第一分辨率之外最小的分辨率。
根据本公开的一个或多个实施例，本公开提供的图像分割方法中，所述根据所述多模态特征对应的图像和所述响应热度图，确定所述目标物体的分割结果，包括：
将所述多模态特征对应的图像和所述响应热度图输入目标图像分割模型，获取所述目标图像分割模型输出的结果，作为所述目标物体的分割结果。
根据本公开的一个或多个实施例，本公开提供的图像分割方法中，所述目标图像分割模型的训练过程如下：
获取样本图像和样本描述语言，并提取所述样本图像的样本视觉特征和所述样本描述语言的样本文本特征，所述样本描述语言用于指定所述样本图像中待分割的样本目标物体；
融合所述样本视觉特征和所述样本文本特征，得到样本多模态特征；
根据所述样本多模态特征对应的图像确定所述样本目标物体的样本视觉区域，并将所述样本视觉区域对应的图像记为样本响应热度图；
根据所述样本多模态特征对应的图像和所述样本响应热度图训练初始图像分割模型，得到所述目标图像分割模型。
根据本公开的一个或多个实施例，本公开提供的图像分割方法中，所述根据所述样本多模态特征对应的图像和所述样本响应热度图训练初始图像分割模型，得到所述目标图像分割模型，包括：
将所述样本多模态特征对应的图像和所述样本响应热度图输入所述初始图像分割模型，得到所述样本多模态特征对应的图像和所述样本响应热度图的第一卷积结果，所述第一卷积结果由所述样本多模态特征对应的图像和所述样本响应热度图在不同采样率下执行第一卷积操作得到；
拼接各所述第一卷积结果，得到拼接结果；
对所述拼接结果进行第二卷积操作，得到第二卷积结果；
对所述第二卷积结果进行上采样，得到样本分割结果；
确定所述样本分割结果相对所述样本图像的真实分割结果的损失值；
当所述损失值小于设定阈值时，停止训练，并将损失值小于设定阈值的图像分割模型作为所述目标图像分割模型；否则，继续训练所述初始图像分割模型，直至损失值小于设定阈值。
根据本公开的一个或多个实施例，本公开提供了一种图像分割装置，包括：
融合模块，用于融合原始图像对应的视觉特征和描述语言对应的文本特征，得到多模态特征，所述描述语言用于指定所述原始图像中待分割的目标物体；
视觉区域确定模块，用于根据所述多模态特征对应的图像确定所述目标物体的视觉区域，并将所述视觉区域对应的图像记为响应热度图；
分割结果确定模块，用于根据所述多模态特征对应的图像和所述响应热度图，确定所述目标物体的分割结果。
根据本公开的一个或多个实施例，本公开提供了一种电子设备，包括：
一个或多个处理器；
存储器，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时实现如本公开提供任一所述的图像分割方法。
根据本公开的一个或多个实施例，本公开提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本公开提供任一所述的图像分割方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
- 还没有人留言评论。精彩留言会获得点赞！