[發(fā)明專利]一種基于多粒度注意力分層網絡的邊緣檢測系統(tǒng)和方法

有效

• 申請?zhí)枺?/td>: 202110246519.8
• 申請日: 2021-03-05
• 公開（公告）號: CN112927250B
• 公開（公告）日: 2022-01-25
• 發(fā)明（設計）人: 夏書銀;單宏遠;高新波;羅躍國;孟坤
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06T7/13
• 分類號: G06T7/13;G06N3/04;G06N3/08;G06T5/30;G06T5/50
• 代理公司: 成都行之專利代理事務所(普通合伙) 51220
• 代理人: 李朝虎

1.基于多粒度注意力分層網絡的邊緣檢測系統(tǒng)，其特征在于，包括特征圖融合模塊、多個多粒度特征分層模塊、多個通道注意力模塊和多個空間注意力模塊；

所述空間注意力模塊用于對分層網絡前兩層卷積輸出的特征圖進行篩選，獲得底層特征細節(jié)豐富的特征圖，并將所述底層特征細節(jié)豐富的特征圖發(fā)送給所述特征圖融合模塊；

所述多粒度特征分層模塊用于對分層網絡后三層卷積輸出的特征圖進行膨脹卷積，并將膨脹卷積后的特征圖與普通卷積的特征圖做殘差，獲得充分提取和融合了多粒度的特征圖，并將所述充分提取和融合了多粒度的特征圖發(fā)送給所述通道注意力模塊；

所述通道注意力模塊對所述充分提取和融合了多粒度的特征圖進行加權處理，提取出特征圖中的關鍵邊緣信息，并將具有關鍵邊緣信息的特征圖發(fā)送給所述特征圖融合模塊；

所述特征圖融合模塊對所述通道注意力模塊輸出的特征圖進行卷積、上采樣，得到第二特征圖、第三特征圖和第四特征圖，并將所述底層特征細節(jié)豐富的特征圖分別和得到的第二特征圖、第三特征圖和第四特征圖進行兩次拼接，再合成為一張?zhí)卣鲌D，通過損失函數對合成的一張?zhí)卣鲌D進行優(yōu)化后，輸出最終的邊緣檢測圖。

2.根據權利要求1所述的基于多粒度注意力分層網絡的邊緣檢測系統(tǒng)，其特征在于，所述多粒度特征分層模塊用公式表示為：

其中，f表示輸入，f∈R^H×W×C，其中H和W表示圖像的高和寬，C表示輸入特征圖的通道數，x₀＝H₀(f)，H₀表示普通卷積，所述普通卷積指所述分層網絡后三層卷積對輸入的數據集所作的卷積，其卷積核大小為1x1，H_i表示多粒度特征分層模塊對輸入的特征圖使用不同擴張系數進行的膨脹卷積，不同擴張系數的膨脹卷積接收到來自普通卷積的殘差，以此增加信息的流動，K表示膨脹卷積的個數。

3.根據權利要求2所述的基于多粒度注意力分層網絡的邊緣檢測系統(tǒng)，其特征在于，當K設置為3時，所述多粒度特征分層模塊的輸出為：

MFM(f)＝([x₀，x₁，x₂，x₃])，[]表示對矩陣在指定維度上進行拼接操作。

4.根據權利要求1所述的基于多粒度注意力分層網絡的邊緣檢測系統(tǒng)，其特征在于，令f∈R^H×W×C表示一個具有C個通道的高為H，寬為W的高層特征圖，首先，所述通道注意力模塊將全局平均池化應用于f，得到一個包含全局信息的向量v∈R^c；之后，所述通道注意力模塊通過兩個連續(xù)的全連接層來獲取通道之間的權重關系；采用sigmoid激活函數將權重歸一化到[0，1]之間；歸一化過程用以下公式表示：

w＝F(v，W′)＝Sigmoid(fc₂(σ(fc₁(v，W′))，W′))

其中w表示各個通道的權重，W′為當前網絡可訓練的參數，σ表示Relu激活函數，fc₁，fc₂表示兩個全連接層，所述通道注意力模塊可定義為：

CA(f)＝w*f+f。