[發明專利]基于Anchor-Free的實時實例分割方法

有效

• 申請號: 202010973846.9
• 申請日: 2020-09-16
• 公開（公告）號: CN112070768B
• 公開（公告）日: 2022-08-09
• 發明（設計）人: 柯逍;林心茹;曾淦雄
• 申請（專利權）人: 福州大學
• 主分類號: G06T7/10
• 分類號: G06T7/10;G06N3/04
• 代理公司: 福州元創專利商標代理有限公司 35100
• 代理人: 陳明鑫;蔡學俊

本發明涉及一種基于Anchor?Free的實時實例分割方法，包括以下步驟：步驟S1:獲取實例分割數據集，并預處理后生成訓練集；步驟S2:基于改進的目標檢測網絡CenterNet和CAG?Mask模塊,構建基于Anchor?Free的實時實例分割模型；步驟S3:根據訓練集訓練基于Anchor?Free的實時實例分割模型，得到訓練好的分割模型；步驟S4：根據訓練好的分割模型對待檢測圖像或視頻數據進行處理，獲得實例分割效果。本發明有效縮短了分割時間，可用于實時的實例分割。

技術領域

本發明涉及模式識別與計算機視覺領域，具體涉及一種基于Anchor-Free的實時實例分割方法。

背景技術

近年來，隨著社會進步和科技的不斷發展，在視覺領域，目標檢測檢測和語義分割結果的研究在短時間內得到快速發展。目標檢測識別往往在圖像上將目標以軸對稱框的形式框出。大多成功的目標檢測器都先窮舉出潛在目標位置，然后對該位置進行分類。錨框的使用存在參數量大，正負樣本不均導致訓練難得缺點。因此使用Anchor-Free可以縮短訓練時間，提高效率。實例分割極具挑戰性，因為它要求對圖像中所有目標進行正確檢測并同時準確分割每個實例。

發明內容

有鑒于此，本發明的目的在于提供一種基于Anchor-Free的實時實例分割方法，能夠有效地對圖像進行實例分割。

為實現上述目的，本發明采用如下技術方案：

一種基于Anchor-Free的實時實例分割方法，包括以下步驟：

步驟S1：獲取實例分割數據集，并預處理后生成訓練集；

步驟S2：基于改進的目標檢測網絡CenterNet和CAG-Mask模塊，構建基于Anchor-Free的實時實例分割模型；

步驟S3：根據訓練集訓練基于Anchor-Free的實時實例分割模型，得到訓練好的分割模型；

步驟S4：根據訓練好的分割模型對待檢測圖像或視頻數據進行處理，獲得實例分割效果。

進一步的，所述預處理包括用尺度變化、翻轉以及對比度變化的數據增強方法。

進一步的，所述步驟S2具體為：

步驟S21：將HarDNet第二層的3×3傳統卷積替換成3×3深度可分離卷積，使用修改后的HarDNet作為CenterNet的主干網提取特征，獲得特征圖，通過改進的HarDNet四次下采樣之后由hm、wh、reg三個網絡層輸出三個預測值，分別是熱力圖、中心點對應的長和寬、偏置量，所有輸出共享一個主干網；

步驟S22：在主干網加上分支CAG-Mask模塊，建立Anchor-Free的實時實例分割模型

步驟S23：通道注意力模塊是通過平均池化和最大池化操作來聚合特征映射的空間信息，生成兩個不同的上下文描述圖，將兩個描述圖送到一個共享網絡，得到通道注意力圖；

步驟S24：卷積塊注意模塊將空間和通道兩個注意力模塊串聯起來，且通道注意力模塊在前，空間注意力模塊在后。

進一步的，所共享網絡由多層感知機和一個隱藏層組成；

設通道注意力模塊的輸出結果為M，M的計算公式如下：

其中θ1和θ0為多層感知機(MLP)的權重，XI為輸入特征圖，表示對特征圖D進行E類型的池化操作，上標D表示操作對象，下標E表示操作類型，max為取最大值，avg為取平均值；τ表示sigmoid函數，表示對應元素相加，表示對應元素相乘。

進一步的，所述步驟S24具體為：