[發(fā)明專利]一種小目標(biāo)特征增強(qiáng)圖像分割方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202210643405.1
• 申請(qǐng)日: 2022-06-08
• 公開(kāi)（公告）號(hào): CN114937148A
• 公開(kāi)（公告）日: 2022-08-23
• 發(fā)明（設(shè)計(jì)）人: 任莎莎;張曉東
• 申請(qǐng)（專利權(quán)）人: 華南理工大學(xué)
• 主分類號(hào): G06V10/26
• 分類號(hào): G06V10/26;G06V10/44;G06V10/80;G06V10/82;G06T7/11;G06N3/04;G06N3/08
• 代理公司: 合肥市科融知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 34126
• 代理人: 李慧

1.一種小目標(biāo)特征增強(qiáng)圖像分割方法，其特征在于，所述方法包括：

將待處理圖像輸入到主干網(wǎng)絡(luò)中，得到主干網(wǎng)絡(luò)特征，所述主干網(wǎng)絡(luò)特征包括主干網(wǎng)絡(luò)第一層特征，主干網(wǎng)絡(luò)第二層特征，主干網(wǎng)絡(luò)第三層特征和主干網(wǎng)絡(luò)第四層特征；

將主干網(wǎng)絡(luò)第四層特征輸入到ASPP模塊，得到ASPP特征輸出特征；

將ASPP特征輸出特征和主干網(wǎng)絡(luò)第一層特征同時(shí)輸入至像素空間注意力模塊PAM，得到像素空間特征；

將像素空間特征同時(shí)輸入到小目標(biāo)提取模塊TTE和邊緣特征提取模塊EEM中，分別得到小目標(biāo)特征和邊緣特征；

將主干網(wǎng)絡(luò)第一層特征、ASPP特征輸出特征、小目標(biāo)特征和邊緣特征進(jìn)行融合輸出。

2.根據(jù)權(quán)利要求1所述的小目標(biāo)特征增強(qiáng)圖像分割方法，其特征在于，通過(guò)小目標(biāo)實(shí)況圖對(duì)小目標(biāo)特征進(jìn)行監(jiān)督學(xué)習(xí)，所述監(jiān)督學(xué)習(xí)過(guò)程采用小目標(biāo)損失函數(shù)L_tiny：

其中為像素j處的標(biāo)簽分配概率分布，y_j為實(shí)況圖標(biāo)簽。

3.根據(jù)權(quán)利要求2所述的小目標(biāo)特征增強(qiáng)圖像分割方法，其特征在于，采用邊緣損失函數(shù)L_edge對(duì)邊緣特征進(jìn)行進(jìn)行監(jiān)督，L_edge定義如下：

4.根據(jù)權(quán)利要求3所述的小目標(biāo)特征增強(qiáng)圖像分割方法，其特征在于，采用分割損失函數(shù)L_seg對(duì)主干網(wǎng)絡(luò)分割過(guò)程進(jìn)行監(jiān)督，分割損失函數(shù)L_seg表示為：

其中為像素j處的標(biāo)簽分配概率分布，y_j為GT標(biāo)簽。

5.根據(jù)權(quán)利要求4所述的小目標(biāo)特征增強(qiáng)圖像分割方法，其特征在于，網(wǎng)絡(luò)建模中的總損失表示為：

其中，L_total為總損失函數(shù)，L_seg為分割損失函數(shù)，L_tiny為小目標(biāo)損失函數(shù)，L_edge為邊緣損失函數(shù)，為網(wǎng)絡(luò)超參數(shù)，為分割損失權(quán)重系數(shù)，為小目標(biāo)損失權(quán)重系數(shù)，為邊緣損失的權(quán)重系數(shù)。

6.根據(jù)權(quán)利要求1所述的小目標(biāo)特征增強(qiáng)圖像分割方法，其特征在于，所述得到像素空間特征的步驟，具體包括：將不同膨脹率ASPP輸出的高層特征y_ASPP∈R^W×H×C和主干網(wǎng)絡(luò)第一層特征y_res1∈R^W×H×C作為輸入，其中C表示通道維數(shù)，WxH表示空間分辨率，并使y_ASPP與y_res1的特征分辨率一致，高層特征每個(gè)通道經(jīng)過(guò)全局平均池化和最大池化，然后經(jīng)過(guò)共享網(wǎng)絡(luò)產(chǎn)生通道注意力映射圖，該共享網(wǎng)絡(luò)是由兩個(gè)全連接層以及激活函數(shù)組成多層感知網(wǎng)絡(luò)，隱含層激活函數(shù)尺度設(shè)置為R^(C×1×1)/r，r為通道降低率，然后通過(guò)元素求和合并兩個(gè)輸出，

對(duì)再進(jìn)行全局池化操作，得到2個(gè)維度的特征，分別為和進(jìn)行合并，輸入到單層感知操作，具體過(guò)程如下：

其中，符號(hào)||表示卷積拼接操作，對(duì)通道注意力和空間注意力進(jìn)行特征融合，融合特征經(jīng)過(guò)歸一化BN輸出：

PAM(y_ASPP，y_res1)＝BN(y_ASPP+Y^C+Y^S)，

+表示像素級(jí)相加。