(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211119797.8 (22)申请日 2022.09.14 (71)申请人 中国铁道科 学研究院集团有限公司 地址 100081 北京市海淀区大柳树路2号 申请人 中铁程科技有限责任公司 　 北京经纬信息技 术有限公司 　 中国铁道科 学研究院集团有限公司 电子计算技术研究所 (72)发明人 李贝贝　朱建生　阎志远　戴琳琳　 张世平　潘瑶　景辉　随玉腾　 苗凡　吕占民　李杨　蒋秋华　 刘相坤　徐东平　李琪　 (74)专利代理 机构 北京汇思诚业知识产权代理 有限公司 1 1444 专利代理师 汪源(51)Int.Cl. G06V 10/26(2022.01) G06V 10/82(2022.01) G06V 10/44(2022.01) G06T 3/40(2006.01) (54)发明名称 一种基于深度学习模型的图像分割方法和 计算机设备 (57)摘要 本发明实施例提供了一种基于深度学习模 型的图像分割方法和计算机设备。 该深度学习模 型包括： 编码区、 解码区和优化模块； 编码区， 用 于对原始数据进行处理， 生成第一特征图； 解码 区， 用于对第一特征图进行处理， 生成粗略预测 图； 优化模块， 用于对粗略预测图进行处理， 生成 精确分割图。 本发明实施例提供的技术方案中， 通过加入了独立的优化模块， 消除弱标签给模型 带来的负面影响， 提高了图像分割的效率。 权利要求书1页 说明书6页 附图2页 CN 115527029 A 2022.12.27 CN 115527029 A 1.一种深度学习模型， 其特 征在于， 包括： 编码区、 解码区和优化模块； 所述编码区， 用于对原 始数据进行处 理， 生成第一特 征图； 所述解码区， 用于对所述第一特 征图进行处 理， 生成粗略预测图； 所述优化模块， 用于对所述 粗略预测图进行处 理， 生成精确分割图。 2.根据权利要求1所述的模型， 其特 征在于， 所述编码区包括Mobi leNetV2。 3.根据权利要求1所述的模型， 其特征在于， 所述解码区包括带孔空间金字塔池化 (ASPP)模块、 双线性插值模块； 所述ASPP模块， 用于从所述第一特征图中提取多尺度语义信息， 并根据所述多尺度语 义信息生成第二特 征图； 所述双线性插值模块， 用于对所述第二特 征图进行处 理， 生成粗略预测图。 4.根据权利要求3所述的模型， 其特征在于， 所述双线性插值模块具体用于上采样处理 所述第二特征图生成原尺寸特征图， 并拼接所述编码器的同级特征至原尺寸特征图， 生成 第三特征图； 卷积处 理所述第三特 征图， 生成粗略预测图。 5.根据权利要求1所述的模型， 其特征在于， 所述编码区为深度 可分卷积以及线性瓶颈 结构。 6.根据权利要求1所述的模型， 其特 征在于， 所述优化模块 为对称的编码解码结构。 7.根据权利要求1所述的模型， 其特征在于， 所述优化模块具体用于使用转置卷积对所 述粗略预测图进行 上采样还原， 生成精确分割图。 8.一种图像分割方法， 其特征在于， 应用于如权利要求1所述的深度学习模型， 所述方 法包括： 将原始数据输入编码区， 生成第一特 征图； 将所述第一特 征图输入解码区， 生成粗略预测图； 将所述粗略预测图输入 优化模块， 生成精确分割图。 9.一种存储介质， 其特征在于， 包括： 所述存储介质包括存储的程序， 其中， 在所述程序 运行时控制所述存 储介质所在设备 执行权利要求8所述的图像分割方法。 10.一种计算机设备， 包括存储器和处理器， 所述存储器用于存储包括程序指令的信 息， 所述处理器用于控制程序指 令的执行， 其特征在于， 所述程序指 令被处理器加载并执行 时实现权利要求8所述的图像分割方法的步骤。权　利　要　求　书 1/1 页 2 CN 115527029 A 2一种基于深度学习模型的图像分割方 法和计算机设 备 【技术领域】 [0001]本发明涉及人工智能技术领域， 尤其涉及 一种基于深度学习模型的图像分割方法 和计算机设备。 【背景技术】 [0002]在基于深度学习的人工智能算法实际应用中， 经常会出现缺乏训练时必要的标签 图像的情况。 由于图像分割任务的标签需要在整体图像上划分掩模， 消 耗的人力或资金 的 问题相比其他图像任务会更加 严重， 其中， 图像分割任务的标签中弱标签数据会给深度学 习模型带来负面的影响， 图像分割的效率较低。 【发明内容】 [0003]有鉴于此， 本发明实施例提供了一种基于深度学习模型的图像分割方法和计算机 设备， 用以消除弱标签数据给深度学习模型 带来的影响， 提高图像分割的效率。 [0004]一方面， 本发明实施例提供了一种深度学习模型， 包括： 编码区、 解码区和优化模 块； [0005]所述编码区， 用于对原 始数据进行处 理， 生成第一特 征图； [0006]所述解码区， 用于对所述第一特 征图进行处 理， 生成粗略预测图； [0007]所述优化模块， 用于对所述 粗略预测图进行处 理， 生成精确分割图。 [0008]可选地， 所述编码区包括Mobi leNetV2。 [0009]可选地， 所述 解码区包括带孔空间金字塔池化(AS PP)模块、 双线性插值模块； [0010]所述ASPP模块， 用于从所述第一特征图中提取多尺度语义信息， 并根据所述多尺 度语义信息生成第二特 征图； [0011]所述双线性插值模块， 用于对所述第二特 征图进行处 理， 生成粗略预测图。 [0012]可选地， 所述双线性插值模块具体用于上采样处理所述第二特征图生成原尺寸特 征图， 并拼接所述编 码器的同级 特征至原尺寸特征图， 生 成第三特征图； 卷积处理所述第三 特征图， 生成粗略预测图。 [0013]可选地， 所述编码区为深度可分卷积以及线性 瓶颈结构。 [0014]可选地， 所述优化模块 为对称的编码解码结构。 [0015]可选地， 所述优化模块具体用于使用转置卷积对所述粗略预测图进行上采样还 原， 生成精确分割图。 [0016]另一方面， 本 发明实施例提供了一种图像分割方法， 应用于上述深度学习模型， 所 述方法包括： [0017]将原始数据输入编码区， 生成第一特 征图； [0018]将所述第一特 征图输入解码区， 生成粗略预测图； [0019]将所述粗略预测图输入 优化模块， 生成精确分割图。 [0020]另一方面， 本 发明实施例提供了一种存储介质， 包括： 所述存储介质包括存储的程说　明　书 1/6 页 3 CN 115527029 A 3