[發明專利]一種在FCN中引入聚焦機制對靜態人體圖像進行分割的方法

有效

• 申請號: 201710594374.4
• 申請日: 2017-07-19
• 公開（公告）號: CN107516316B
• 公開（公告）日: 2020-11-20
• 發明（設計）人: 李濤;李冬梅;趙雪專;裴利沈;朱曉珺;汪偉;曲豪;張棟梁;郭航宇
• 申請（專利權）人: 鹽城禪圖智能科技有限公司
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06N3/04
• 代理公司: 鄭州聯科專利事務所(普通合伙) 41104
• 代理人: 劉建芳

1.一種在FCN中引入聚焦機制對靜態人體圖像進行分割的方法，其特征在于，包括以下步驟：

A：對靜態人體圖像分割數據集的預處理，獲取每一個樣本包含分割信息的輔助分割類標，分割類標以及注意力聚焦圖，采用以下方法：

A1：計算當前樣本，即靜態人體圖像當前分割區域的中心點；

A2：根據中心點生成高斯熱力圖，所述的高斯熱力圖即為注意力聚焦圖；

A3：將分割類標進行縮小，縮小之后的類標為輔助分割類標；

A4：將分割類標直接保存，保存的類標即為最終的分割類標；

B：改進FCN網絡，具體為改進ResNet-101的網絡結構，并利用具有聚焦機制的損失函數、輔助分割損失函數和分割損失函數引入聚焦機制，采用以下方法：

B1：改進ResNet-101網絡結構，具體包括以下步驟：

B11：將ResNet-101網絡全局池化層和最后的分類層去除；

B12：將conv5_x模塊中第1個卷積層的步長設置為1；B13：采用了黑洞卷積替換conv5_x模塊中第1個卷積層的卷積操作；

B14：在最終的預測層加入了反卷積層；

B2：為改進后ResNet-101網絡引入聚焦機制，定義聚焦機制的損失函數、輔助分割損失函數和分割損失函數，具體包括以下步驟：

B21：定義具有聚焦機制的損失函數，采用以下方法：

損失函數記為loss_attention；conv4_x的輸出特征經過1x1卷積和sigmoid激活函數處理之后的注意力聚焦圖為步驟A的靜態人體圖像數據集生成的注意力聚焦圖為α，則具有聚焦機制的損失函數loss_attention為：

其中CrossEntropy(·,·)表示交叉熵損失函數，將注意力聚焦圖與步驟A中的注意力聚焦圖α相減，并使用交叉熵損失函數計算得到具有聚焦機制的損失函數loss_attention；

B22：定義輔助分割損失函數，采用以下方法：

conv5_x模塊的輸出特征經過1x1卷積和softmax多分類函數處理得到預測的輔助分割類標為由步驟A的靜態人體圖像數據集生成的輔助分割類標為p_aux，則輔助分割損失函數loss_seg1定義為：

B23：定義分割損失函數，采用以下方法：

deconv的輸出特征經過softmax多分類函數處理得到預測的最終的分割類標為由步驟A的靜態人體圖像數據集生成的最終的分割類標為p，則分割損失函數loss_seg2的定義為：

C：訓練改進后的FCN的網絡參數；

D：利用改進后的FCN網絡對靜態人體圖像進行分割。