CN109427061B

CN109427061B - 影像切割方法及装置

Info

Publication number: CN109427061B
Application number: CN201810722108.XA
Authority: CN
Inventors: 林政宪; 卓柏全; 杨宏毅
Original assignee: HTC Corp
Current assignee: HTC Corp
Priority date: 2017-08-31
Filing date: 2018-07-04
Publication date: 2020-11-17
Anticipated expiration: 2038-07-04
Also published as: TW201913557A; TWI675349B; US10628919B2; CN109427061A; US20190066265A1

Abstract

一种影像切割方法，通过由影像切割装置实现的神经网络执行影像切割，并包括：由降低取样模块根据输入影像产生降低取样影像；对于切割模块的一当下切割模块，接收具有第一分辨率的先前卷积神经网络数据进行提升取样；接收当下降低取样影像及提升取样先前卷积神经网络数据；当当下切割模块并非最后切割模块时，进行卷积以产生并传送当下卷积神经网络数据至下一切割模块；当当下切割模块为最后切割模块时，进行卷积产生影像切割结果。本发明的影像分割装置及方法根据不同的分辨率的影像进行卷积，以获得其包括的信息，达到更精确的切割结果。

Description

影像切割方法及装置

技术领域

本发明涉及影像处理技术，且特别涉及一种影像切割方法及装置。

背景技术

语意(semantic)影像切割在影像辨识中占有重要的角色，使电脑得以辨识影像中的物件。物件的辨识与描绘(delineation)可由对影像中的各像素进行分类而实现。这样的处理方式在电脑视觉以及各种成长中的领域如自动驾驶和医学影像上有广泛的应用。现在的影像切割技术，是对于影像数据中的同一影像画面进行不同尺度的缩放，以分别进行切割运算后，再将各别的影像切割结果进行串接。然而，这样的方式必须先决定影像切割架构中的模块数目，而无法保有弹性。

因此，如何设计一个新的影像切割方法及装置，以解决上述的缺失，乃为此一业界亟待解决的问题。

发明内容

本发明的目的在于通过影像分割装置及方法根据不同的分辨率的影像进行卷积，以获得其包括的信息，达到更精确的切割结果。

因此，本发明的一实施方式在于提供一种影像切割(image segmentation)方法，用以通过由影像切割装置实现的神经网络(neural network)执行影像切割，影像切割方法包括：由神经网络的降低取样(down-sampling)模块对输入影像进行降低取样，以产生具有不同的多个分辨率的多个降低取样影像，分别对应于多个切割模块之一；对于神经网络的切割模块其中的一当下切割模块，由当下切割模块的当下提升取样(up-sampling)单元接收具有第一分辨率的先前卷积神经网络(convolution neural network；CNN)数据，以对先前卷积神经网络数据进行提升取样，以产生具有第二分辨率的提升取样先前卷积神经网络数据，其中先前卷积神经网络数据是由先前切割模块的先前卷积神经网络单元根据降低取样影像中具有第一分辨率的先前降低取样影像所产生；由当下切割模块的当下卷积神经网络单元接收降低取样影像中具有第二分辨率的当下降低取样影像以及提升取样先前卷积神经网络数据；当当下切割模块并非最后切割模块时，由当下卷积神经网络单元根据提升取样先前卷积神经网络数据以及当下降低取样影像进行卷积，以产生并传送当下卷积神经网络数据至下一切割模块；以及当当下切割模块为最后切割模块时，由当下卷积神经网络单元根据提升取样先前卷积神经网络数据以及当下降低取样影像进行卷积，以产生影像切割结果。

在本发明的一实施例中，先前卷积神经网络数据包含由先前卷积神经网络单元的输出层所输出的多个先前输出层运算结果，或是由先前卷积神经网络单元的隐藏层(hidden layer)所输出的多个先前隐藏层运算结果。

在本发明的一实施例中，影像切割方法还包含：由当下卷积神经网络单元的输入层接收先前卷积神经网络数据以及当下降低取样影像；以及根据先前卷积神经网络数据以及当下降低取样影像进行卷积，以由当下卷积神经网络单元的隐藏层产生多个当下隐藏层运算结果，以及由当下卷积神经网络单元的输出层产生多个当下输出层运算结果，其中当下卷积神经网络数据为等当下输出层运算结果或当下隐藏层运算结果。

在本发明的一实施例中，影像切割方法还包含：由当下卷积神经网络单元的输入层接收当下降低取样影像；由当下卷积神经网络单元的隐藏层接收先前卷积神经网络数据；以及根据先前卷积神经网络数据以及当下降低取样影像进行卷积，以由当下卷积神经网络单元的隐藏层产生多个当下隐藏层运算结果，以及由当下卷积神经网络单元的输出层产生多个当下输出层运算结果，其中当下卷积神经网络数据为当下输出层运算结果或当下隐藏层运算结果。

在本发明的一实施例中，影像切割方法还包含：通过自当下卷积神经网络单元的输出层输出的多个当下输出层运算结果中选取一部分以产生影像切割结果，其中该部分相较当下输出层运算结果的其他部分具有较大的数值。

在本发明的一实施例中，神经网络为递归神经网络(recurrent neural network；RNN)。

在本发明的一实施例中，当先前切割模块不存在时，先前卷积神经网络数据为预设虚拟数据(dummy data)。

在本发明的一实施例中，当当下切割模块为最后切割模块时，当下卷积神经网络单元根据具有相同分辨率的提升取样先前卷积神经网络数据以及当下降低取样影像进行卷积，以产生与输入影像具有相同分辨率的影像切割结果。

本发明的另一实施方式在于提供一种影像切割装置，包括：存储单元以及处理单元。存储单元配置以存储多个电脑可执行指令。处理单元电性耦接于存储单元，并配置以撷取并执行电脑可执行指令，以执行影像切割方法，影像切割方法用以通过由处理单元执行电脑可执行指令时实现的神经网络执行影像切割，影像切割方法包括：由神经网络的降低取样模块对输入影像进行降低取样，以产生具有不同的多个分辨率的多个降低取样影像，分别对应于多个切割模块之一；对于神经网络的切割模块其中的一当下切割模块，由当下切割模块的当下提升取样单元接收具有第一分辨率的先前卷积神经网络数据，以对先前卷积神经网络数据进行提升取样，以产生具有第二分辨率的提升取样先前卷积神经网络数据，其中先前卷积神经网络数据是由先前切割模块的先前卷积神经网络单元根据降低取样影像中具有第一分辨率的先前降低取样影像所产生；由当下切割模块的当下卷积神经网络单元接收降低取样影像中具有第二分辨率的当下降低取样影像以及提升取样先前卷积神经网络数据；当当下切割模块并非最后切割模块时，由当下卷积神经网络单元根据提升取样先前卷积神经网络数据以及当下降低取样影像进行卷积，以产生并传送当下卷积神经网络数据至下一切割模块；以及当当下切割模块为最后切割模块时，由当下卷积神经网络单元根据提升取样先前卷积神经网络数据以及当下降低取样影像进行卷积，以产生影像切割结果。

在本发明的一实施例中，先前卷积神经网络数据包含由先前卷积神经网络单元的输出层所输出的多个先前输出层运算结果，或是由先前卷积神经网络单元的隐藏层所输出的多个先前隐藏层运算结果。

在本发明的一实施例中，神经网络为递归神经网络。

在本发明的一实施例中，当先前切割模块不存在时，先前卷积神经网络数据为预设虚拟数据。

本发明的影像分割装置及影像分割方法中，切割模块形成递归神经网络，以使各卷积神经网络单元可根据当下影像以及提升取样先前卷积神经网络数据进行影像切割。由于各卷积神经网络单元根据不同的影像分辨率进行卷积，可获得多个尺寸中包括的信息。

附图说明

图1为本发明一实施例中，一种影像切割装置的方框图；

图2为本发明一实施例中，影像切割方法的流程图；

图3为本发明一实施例中，由影像切割装置实现的神经网络的方框图；

图4为本发明一实施例中，卷积神经网络单元的范例性示意图；以及

图5为本发明一实施例中，卷积神经网络单元的范例性示意图。

附图标记说明：

1：影像切割装置

10：存储单元

12：处理单元

100：电脑可执行指令

102：影像数据

200：影像切割方法

201-206：步骤

3：神经网络

400、500：卷积神经网络单元

401、501：输入层

402、502：隐藏层

403、503：输出层

CNN₀-CNN_N：卷积神经网络单元

D_d、D₀-D_N-1：先前卷积神经网络数据

D_d’、D₀’-D_N-1’：提升取样先前卷积神经网络数据

D_0,0,0,0-D_0,A-1,B-1,2：数据

D_d,0,0,0-D_d,A-1,B-1,2：数据

DM：降低取样模块

h_N：影像切割结果

h_0,0,0,0-h_0,A-1,B-1,2：运算结果

IN：输入影像

SEG₀-SEG_N：切割模块

UU₀-UU_N：提升取样单元

X₀-X_N：影像

X_0,0,0,0-X_0,A-1,B-1,2：数据

具体实施方式

请参照图1。图1为本发明一实施例中，一种影像切割装置1的方框图。影像切割装置1包含存储单元10以及处理单元12。

于一实施例中，存储单元10可为例如，但不限于光盘、随机存取存储器(randomaccess memory；RAM)、只读存储器(read only memory；ROM)、软盘、硬盘或光学磁盘片。存储单元10配置以存储多个电脑可执行指令100。

处理单元12电性耦接于存储单元10。于一实施例中，处理单元12配置以撷取并执行电脑可执行指令100，并据以执行影像切割装置1的功能。更详细地说，处理单元12接收影像数据102，以对影像数据102的各影像执行影像切割。

于一实施例中，处理单元12接收存储于存储单元10中的影像数据102，如图1所示。于其他实施例中，处理单元12可利用例如，但不限于通讯单元(未示出)，通过有线或是无线的方式自远端服务器(未示出)接收影像数据102。

请同时参照图2及图3。影像切割装置1的详细功能将在后续段落搭配图2及图3进行说明。

图2为本发明一实施例中，影像切割方法200的流程图。影像切割方法200可应用于图1的影像切割装置1中。

图3为本发明一实施例中，由影像切割装置1实现的神经网络3的方框图。其中当电脑可执行指令100由处理单元12执行时，将运行为神经网络3以执行影像切割方法200。

于一实施例中，神经网络3为递归神经网络，包含降低取样模块DM以及多个串联的切割模块SEG₀、SEG₁、SEG₂、…及SEG_N。各个切割模块SEG₀、SEG₁、SEG₂、…及SEG_N包含相串联的提升取样单元以及卷积神经网络单元。更详细地说，提升取样单元UU₀、UU₁、UU₂、…及UU_N分别设置于切割模块SEG₀、SEG₁、SEG₂、…及SEG_N中。卷积神经网络单元CNN₀、CNN₁、CNN₂、…及CNN_N分别设置于切割模块SEG₀、SEG₁、SEG₂、…及SEG_N中，并分别与提升取样单元UU₀、UU₁、UU₂、…及UU_N串联。

影像切割方法200包含下列步骤(应了解到，在本实施方式中所提及的步骤，除特别叙明其顺序者外，均可依实际需要调整其前后顺序，甚至可同时或部分同时执行)。

于步骤201，由神经网络3的降低取样模块DM对输入影像IN，例如图1的影像数据102的其中一影像，进行降低取样，以产生具有不同的分辨率的多个降低取样影像X₀、X₁、X₂、…及X_N，分别对应于切割模块SEG₀、SEG₁、SEG₂、…及SEG_N其中之一。

举例来说，输入影像IN可具有1024×768的分辨率。于一实施例中，当切割模块SEG₀、SEG₁、SEG₂、…及SEG_N的数目为4个时，降低取样模块DM将产生四个降低取样影像，分辨率分别降低为1/(8×8)、1/(4×4)、1/(2×2)以及1/(1×1)。更详细地说，四个降低取样影像的分辨率分别为128×96、256×192、512×384以及1024×768。于一实施例中，对应于最后切割模块SEG_N的降低取样影像的分辨率，将与输入影像IN的分辨率相同。

于步骤202，对于神经网络的切割模块其中的一当下切割模块，由当下切割模块的当下提升取样单元接收具有第一分辨率的先前卷积神经网络数据，以对先前卷积神经网络数据进行提升取样，以产生具有第二分辨率的提升取样先前卷积神经网络数据。

于一实施例中，当当下切割模块为切割模块SEG₀时，由于先前切割模块不存在时，先前卷积神经网络数据D_d将为预设虚拟数据(dummy data)。提升取样单元UU₀将接收先前卷积神经网络数据D_d并进行提升取样，以产生提升取样先前卷积神经网络数据D_d’。

当当下切割模块为切割模块SEG₁、SEG₂、…及SEG_N其中之一时，具有第一分辨率的先前卷积神经网络数据，是由先前切割模块中的先前卷积神经网络单元根据降低取样影像中，具有第一分辨率的先前降低取样影像所产生。

举例来说，当当下切割模块为切割模块SEG₁时，先前卷积神经网络数据是由切割模块SEG₀的卷积神经网络单元CNN₀根据具有例如128×96的第一分辨率的降低取样影像X₀产生。提升取样单元UU₁将接收卷积神经网络数据D₁并进行提升取样，以产生具有例如256×192的第二分辨率的提升取样先前卷积神经网络数据D₁’。

于步骤203，由当下切割模块的当下卷积神经网络单元接收降低取样影像中具有第二分辨率的当下降低取样影像以及提升取样先前卷积神经网络数据。

以切割模块SEG₀为例，当当下切割模块为切割模块SEG₀时，卷积神经网络单元CNN₀接收具有128×96的分辨率的降低取样影像X₀做为当下降低取样影像，并接收具有128×96的分辨率的提升取样先前卷积神经网络数据D_d’。

另一方面，当当下切割模块为切割模块SEG₁时，卷积神经网络单元CNN₁接收具有256×192的分辨率的降低取样影像X₁做为当下降低取样影像，并接收具有256×192的分辨率的提升取样先前卷积神经网络数据D₀’。

于步骤204，判断当下切割模块是否为最后切割模块，亦即是否为切割模块SEG_N。

当当下切割模块并非最后切割模块时，于步骤205，由当下卷积神经网络单元根据提升取样先前卷积神经网络数据以及当下降低取样影像进行卷积，以产生并传送当下卷积神经网络数据至下一切割模块。

以切割模块SEG₀为例，当当下切割模块为切割模块SEG₀时，卷积神经网络单元CNN₀根据降低取样影像X₀以及提升取样先前卷积神经网络数据D_d’进行卷积，以产生当下卷积神经网络数据D₀。

另一方面，当当下切割模块为切割模块SEG₁时，卷积神经网络单元CNN₁接收具有256×192根据降低取样影像X₁以及提升取样先前卷积神经网络数据D₀’进行卷积，以产生当下卷积神经网络数据D₁。

类似地，影像切割方法200的步骤可应用于切割模块SEG₂(未示出)、…及SEG_N中，以使各卷积神经网络单元CNN₂(未示出)、…及CNN_N中分别根据先前卷积神经网络数据D₁’、…及D_N-2’以及降低取样影像X₂、…及X_N-1产生对应的当下卷积神经网络数据D₂、…及D_N-1。

当当下切割模块为最后切割模块，例如切割模块SEG_N时，于步骤206，由卷积神经网络单元CNN_N根据具有与输入影像IN相同的分辨率，例如1024×768的提升取样先前卷积神经网络数据D_N-1’以及降低取样影像X_N进行卷积，以产生影像切割结果h_N。影像切割结果h_N是输入影像IN的最终切割结果。

请参照图4。图4为本发明一实施例中，卷积神经网络单元400的范例性示意图。于一实施例中，图3所示出的各卷积神经网络单元CNN₀、CNN₁、CNN₂、…及CNN_N可由卷积神经网络单元400实现。

于一实施例中，卷积神经网络单元400包括输入层401、隐藏层402以及输出层403。于一实施例中，各输入层401、隐藏层402以及输出层403包括多个运算节点。

当卷积神经网络单元400被用来实现卷积神经网络单元CNN₀时，输入层401配置以接收具有例如，但不限于A×B的尺寸且具有三个数据通道的影像X₀，其中影像X₀的各个像素具有三个通道的数据。举例而言，对应于位置(0,0)的像素具有三个通道的数据，包括X_0,0,0,0、X_0,0,0,1及X_0,0,0,2。其中，下标的第一位数代表影像，第二位数及第三位数代表像素的坐标，第四位数代表通道数目。

因此，本实施例中的输入层401具有A×B×3个运算点，分别对应X_0,0,0,0、X_0,0,0,1、X_0,0,0,2、…、X_0,A-1,B-1,0、X_0,A-1,B-1,1至X_0,A-1,B-1,2，以接收影像X₀的所有数据。于本实施例中，隐藏层402接收具有A×B×3的尺寸的先前卷积神经网络权重数据D_d’，包括D_d,0,0,0’、D_d,0,0,1’、D_d,0,0,2’、…、D_d,A-1,B-1,0’、D_d,A-1,B-1,1’至D_d,A-1,B-1,2’的数据。

因此，卷积神经网络单元CNN₀根据影像X₀以及先前卷积神经网络权重数据D_d’进行卷积，以使输出层403产生包含h_0,0,0,0、h_0,0,0,1、h_0,0,0,2、…、h_0,A-1,B-1,0、h_0,A-1,B-1,1至h_0,A-1,B-1,2的运算结果。

于一实施例中，各运算结果的数值表示切割物件的类别的几率。因此，当卷积神经网络单元400被用以实现最后切割模块SEG_N的卷积神经网络单元时，对各像素来说，运算结果其中的一具有最大值者，将被选择输出为当下影像切割结果h_N的其中一个像素。举例而言，当运算结果h_N,0,0,1具有大于运算结果h_N,0,0,0以及运算结果h_N,0,0,2的数值时，运算结果h_N,0,0,1将被选择为当下影像切割结果h_N的输出像素。

于一实施例中，图3所示出的递归神经网络3为Elman网络，其中隐藏层402亦产生隐藏层运算结果，做为下一个切割模块，例如切割模块SEG₁的先前卷积神经网络数据D₀，包含D_0,0,0,0、D_0,0,0,1、D_0,0,0,2、…、D_0,A-1,B-1,0、D_0,A-1,B-1,1至D_0,A-1,B-1,2的数据，以使提升取样单元UU₁据以进行提升取样，以产生提升取样先前卷积神经网络数据D₀’，并使卷积神经网络单元CNN₁根据提升取样先前卷积神经网络数据D₀’以及影像X₁进行卷积。

需注意的是，图4中所示出的各输入层401、隐藏层402以及输出层403的运算节点的数目仅为一范例。于其他实施例中，运算节点的数目可依实际应用而有所不同。

请参照图5。图5为本发明一实施例中，卷积神经网络单元500的范例性示意图。于一实施例中，于图3所示出的各卷积神经网络单元CNN₀、CNN₁、CNN₂、…或CNN_N可由卷积神经网络单元500所实现。

于一实施例中，卷积神经网络单元500包括输入层501、隐藏层502以及输出层503。于一实施例中，各输入层501、隐藏层502以及输出层503包括多个运算节点。

当卷积神经网络单元500被用来实现卷积神经网络单元CNN₀时，输入层501配置以接收具有例如，但不限于A×B的尺寸且具有三个数据通道的影像X₀，其中影像X₀的各个像素具有三个通道的数据。举例而言，对应于位置(0,0)的像素具有三个通道的数据，包括X_0,0,0,0、X_0,0,0,1及X_0,0,0,2。其中，下标的第一位数代表影像，第二位数及第三位数代表像素的坐标，第四位数代表通道数目。

因此，本实施例中的输入层501具有A×B×3个运算点，分别对应X_0,0,0,0、X_0,0,0,1、X_0,0,0,2、…、X_0,A-1,B-1,0、X_0,A-1,B-1,1至X_0,A-1,B-1,2，以接收影像X₀的所有数据。于本实施例中，隐藏层502接收具有A×B×3的尺寸的先前卷积神经网络权重数据D_d’，包括D_d,0,0,0’、D_d,0,0,1’、D_d,0,0,2’、…、D_d,A-1,B-1,0’、D_d,A-1,B-1,1’至D_d,A-1,B-1,2’的数据。

因此，卷积神经网络单元CNN₀根据影像X₀以及先前卷积神经网络权重数据D_d’进行卷积，以使输出层503产生包含h_0,0,0,0、h_0,0,0,1、h_0,0,0,2、…、h_0,A-1,B-1,0、h_0,A-1,B-1,1至h_0,A-1,B-1,2的运算结果。

于一实施例中，各运算结果的数值表示切割物件的类别的几率。因此，当卷积神经网络单元500被用以实现最后切割模块SEG_N的卷积神经网络单元时，对各像素来说，运算结果其中的一具有最大值者，将被选择输出为当下影像切割结果h_N的其中一个像素。举例而言，当运算结果h_N,0,0,1具有大于运算结果h_N,0,0,0以及运算结果h_N,0,0,2的数值时，运算结果h_N,0,0,1将被选择为当下影像切割结果h_N的输出像素。

于一实施例中，图3所示出的递归神经网络3为Jordan网络，其中由输出层503产生的运算结果h_0,0,0,0、h_0,0,0,1、h_0,0,0,2、…、h_0,A-1,B-1,0、h_0,A-1,B-1,1至h_0,A-1,B-1,2做为下一个切割模块，例如切割模块SEG₁的先前卷积神经网络数据D₀，包含D_0,0,0,0、D_0,0,0,1、D_0,0,0,2、…、D_0,A-1,B-1,0、D_0,A-1,B-1,1至D_0,A-1,B-1,2的数据，以使提升取样单元UU₁据以进行提升取样，以产生提升取样先前卷积神经网络数据D₀’，并使卷积神经网络单元CNN₁根据提升取样先前卷积神经网络数据D₀’以及影像X₁进行卷积。

需注意的是，图5中所示出的各输入层501、隐藏层502以及输出层503的运算节点的数目仅为一范例。于其他实施例中，运算节点的数目可依实际应用而有所不同。

需注意的是，在部分实施例中，先前卷积神经网络数据亦可由下一卷积神经网络单元的输入层接收，以使下一卷积神经网络单元据以进行卷积。

在本发明的影像分割装置1及影像分割方法200中，切割模块SEG₀、SEG₁、SEG₂、…及SEG_N形成递归神经网络，以使各卷积神经网络单元CNN₀、CNN₁、CNN₂、…及CNN_N可根据当下影像以及提升取样先前卷积神经网络数据进行影像切割。由于各卷积神经网络单元CNN₀、CNN₁、CNN₂、…及CNN_N根据不同的影像分辨率进行卷积，可获得多个尺寸中包括的信息。

更进一步地，当需要使用不同数目且不同分辨率的影像进行影像切割时，本发明的影像分割装置1及影像分割方法200可弹性地增减切割模块的数目。因此，当运算资源不足时，可将切割模块的数目减少，以取得较粗略的切割结果。而当运算资源足够时，可将切割模块的数目增加，以取得具有较高精确度的切割结果。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内所作的任何修改、等同替换和改进等均应包含本发明的保护范围之内。

Claims

1.一种影像切割方法，用以通过由一影像切割装置实现的一神经网络执行影像切割，其特征在于，该影像切割方法包括：

由该神经网络的一降低取样模块对一输入影像进行降低取样，以产生具有不同的多个分辨率的多个降低取样影像，分别对应于多个切割模块之一；

对于该神经网络的所述多个切割模块其中的一当下切割模块，由该当下切割模块的一当下提升取样单元接收具有一第一分辨率的一先前卷积神经网络数据，以对该先前卷积神经网络数据进行提升取样，以产生具有一第二分辨率的一提升取样先前卷积神经网络数据，其中该先前卷积神经网络数据是由一先前切割模块的一先前卷积神经网络单元根据所述多个降低取样影像中具有该第一分辨率的一先前降低取样影像所产生，其中当该先前切割模块不存在时，该先前卷积神经网络数据为一预设虚拟数据；

由该当下切割模块的一当下卷积神经网络单元接收所述多个降低取样影像中具有该第二分辨率的一当下降低取样影像以及该提升取样先前卷积神经网络数据；

当该当下切割模块并非一最后切割模块时，由该当下卷积神经网络单元根据该提升取样先前卷积神经网络数据以及该当下降低取样影像进行卷积，以产生并传送一当下卷积神经网络数据至一下一切割模块；以及

当该当下切割模块为该最后切割模块时，由该当下卷积神经网络单元根据该提升取样先前卷积神经网络数据以及该当下降低取样影像进行卷积，以产生一影像切割结果。

2.如权利要求1所述的影像切割方法，其特征在于，该先前卷积神经网络数据包含由该先前卷积神经网络单元的一输出层所输出的多个先前输出层运算结果，或是由该先前卷积神经网络单元的一隐藏层所输出的多个先前隐藏层运算结果。

3.如权利要求1所述的影像切割方法，其特征在于，该影像切割方法还包含：

由该当下卷积神经网络单元的一输入层接收该提升取样先前卷积神经网络数据以及该当下降低取样影像；以及

根据该提升取样先前卷积神经网络数据以及该当下降低取样影像进行卷积，以由该当下卷积神经网络单元的一隐藏层产生多个当下隐藏层运算结果，以及由该当下卷积神经网络单元的一输出层产生多个当下输出层运算结果，其中该当下卷积神经网络数据为所述多个当下输出层运算结果或所述多个当下隐藏层运算结果。

4.如权利要求1所述的影像切割方法，其特征在于，该影像切割方法还包含：

由该当下卷积神经网络单元的一输入层接收该当下降低取样影像；

由该当下卷积神经网络单元的一隐藏层接收该提升取样先前卷积神经网络数据；以及

5.如权利要求1所述的影像切割方法，其特征在于，该影像切割方法还包含：

通过自该当下卷积神经网络单元的一输出层输出的多个当下输出层运算结果中选取一部分以产生该影像切割结果，其中该部分相较所述多个当下输出层运算结果的其他部分具有较大的数值。

6.如权利要求1所述的影像切割方法，其特征在于，该神经网络为一递归神经网络。

7.如权利要求1所述的影像切割方法，其特征在于，当该当下切割模块为该最后切割模块时，该当下卷积神经网络单元根据具有相同分辨率的该提升取样先前卷积神经网络数据以及该当下降低取样影像进行卷积，以产生与该输入影像具有相同分辨率的该影像切割结果。

8.一种影像切割装置，其特征在于，包括：

一存储单元，配置以存储多个电脑可执行指令；以及

一处理单元，电性耦接于该存储单元，并配置以撷取并执行所述多个电脑可执行指令，以执行一影像切割方法，该影像切割方法用以通过由该处理单元执行所述多个电脑可执行指令时实现的一神经网络执行影像切割，该影像切割方法包括：

9.如权利要求8所述的影像切割装置，其特征在于，该先前卷积神经网络数据包含由该先前卷积神经网络单元的一输出层所输出的多个先前输出层运算结果，或是由该先前卷积神经网络单元的一隐藏层所输出的多个先前隐藏层运算结果。