[發明專利]一種擁有超大卷積核的人體分割方法及系統

在審

• 申請號: 202211327455.5
• 申請日: 2022-10-26
• 公開（公告）號: CN115620341A
• 公開（公告）日: 2023-01-17
• 發明（設計）人: 李翔;韓潼瑜
• 申請（專利權）人: 功夫鏈（上海）體育文化發展有限公司
• 主分類號: G06V40/10
• 分類號: G06V40/10;G06V10/26;G06V10/40;G06V10/82;G06N3/04
• 代理公司: 大連大工智訊專利代理事務所(特殊普通合伙) 21244
• 代理人: 梁左秋

本發明涉及人體檢測技術領域，提供一種擁有超大卷積核的人體分割方法及系統，包括：步驟100，獲取檢測圖片；步驟200，將檢測圖片輸入人體分割模型中，進行特征提取，得到特征圖；所述人體分割模型采用擁有超大卷積核的SLaK網絡；所述SLaK網絡結構，包括：第一個降采樣層、第一個逆瓶頸層、第二個降采樣層、第二個逆瓶頸層、第三個逆瓶頸層和第三個降采樣層；第一個逆瓶頸層、第二個逆瓶頸層、第三個逆瓶頸層重復次數依次為3、5、3；步驟300，將輸出的特征圖，輸入8倍上采樣層和一個1×1卷積層卷積，得到最終的人體分割結果。本發明能夠提高對人體分割的準確率。

技術領域

本發明涉及人體檢測技術領域，尤其涉及一種擁有超大卷積核的人體分割方法及系統。

背景技術

在日常生活中，智慧社區、人體特效、影視后期處理、智能健身、AI游戲互動、智能監控設備等領域均離不開計算機視覺技術。計算機理解視頻里的人體行為必將是未來計算機視覺技術的重要發展方向，其中人體分割技術是人體行為分析的基礎，人體分割是把人體從包含人體的圖像中分割出來，工業里對分割的準確度及實時性都有很高的要求，提高人體分割算法的速度和精度是及其核心的任務。

最近幾年，深度學習由于其強大的學習能力而發展迅速，已經廣泛應用到人體分割中。在深度學習領域，出名的分割算法有Unet系列，Mask-RCNN算法。但是，當前的人體分割算法研究存在精度不高，有些復雜的場景分割效果不好，尤其對于遮擋的情況和復雜背景的情況，無法在保證精度的同時保證有不錯的計算速度。

發明內容

本發明主要解決當前的人體分割算法研究存在精度不高，有些復雜的場景分割效果不好等技術問題，提出一種擁有超大卷積核的人體分割方法，以提高對人體分割的準確率。

本發明提供了一種擁有超大卷積核的人體分割方法，包括以下過程：

步驟100，獲取檢測圖片；

步驟200，將檢測圖片輸入人體分割模型中，進行特征提取，得到特征圖；所述人體分割模型采用擁有超大卷積核的SLaK網絡；所述SLaK網絡結構，包括：第一個降采樣層、第一個逆瓶頸層、第二個降采樣層、第二個逆瓶頸層、第三個逆瓶頸層和第三個降采樣層；第一個逆瓶頸層、第二個逆瓶頸層、第三個逆瓶頸層重復次數依次為3、5、3；

步驟300，將輸出的特征圖，輸入8倍上采樣層和一個1×1卷積層卷積，得到最終的人體分割結果。

優選的，所述逆瓶頸層，包括：SLaK Block模塊和二個1×1卷積模塊；在SLaKBlock模塊后采用Layernorm歸一化層，在二個1×1卷積層之間使用GELU激活函數。

優選的，第一個逆瓶頸層中1×1卷積模塊的卷積核的通道數依次為96、32；第二個逆瓶頸層中1×1卷積模塊的卷積核的通道數依次為192、64；第三個逆瓶頸層中1×1卷積模塊的卷積核的通道數依次為384、128。

優選的，所述SLaK Block模塊采用59×5和5×59和5×5三個卷積核進行卷積。

優選的，所述降采樣層包括級聯的歸一化層和卷積核為2步長也為2的卷積層。

對應的，本發明提供一種擁有超大卷積核的人體分割系統，包括：圖片獲取模塊、特征提取模塊和結果輸出模塊；

所述圖片獲取模塊，用于獲取檢測圖片；

所述特征提取模塊，用于將檢測圖片輸入人體分割模型中，進行特征提取，得到特征圖；所述人體分割模型采用擁有超大卷積核的SLaK網絡；所述SLaK網絡結構，包括：第一個降采樣層、第一個逆瓶頸層、第二個降采樣層、第二個逆瓶頸層、第三個逆瓶頸層和第三個降采樣層；第一個逆瓶頸層、第二個逆瓶頸層、第三個逆瓶頸層重復次數依次為3、5、3；

所述結果輸出模塊，用于將輸出的特征圖，輸入8倍上采樣層和一個1×1卷積層卷積，得到最終的人體分割結果。