欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2021113617476
申请人: 西安理工大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.基于通道注意力与金字塔卷积融合的语义分割方法,其特征在于,具体按照以下步骤实施:步骤1,将数据库中的训练图像输入到ResNet50网络中,提取图像的特征;

步骤2,在步骤1中的ResNet50网络的最后一层添加金字塔卷积模块,分别捕获局部特征与全局特征;

步骤2的具体过程为:

步骤2.1,在ResNet50网络的最后一层添加金字塔卷积局部特征提取模块,捕获局部特征;

步骤2.1.1,将步骤1中提取图像的特征通过1*1的卷积使维数降到512维;

步骤2.1.2,将步骤2.1.1降维的特征分成不同的组数分别按照卷积核为9*9、7*7、5*5、3*3的尺寸进行卷积;

步骤2.1.3,将步骤2.1.2卷积处理的特征进行卷积核为1*1的尺寸进行卷积,得到局部特征;

步骤2.2,在ResNet50网络的最后一层添加金字塔卷积的全局特征提取模块,捕获全局特征;

步骤2.2.1,采用自适应平均池化将步骤1中提取图像的特征的尺寸减少至9*9;

步骤2.2.2,将步骤2.2.1减小后的特征通过1*1的卷积将特征映射降到512维;

步骤2.2.3,将步骤2.2.2降维的特征分成不同的组数分别按照卷积核为9*9、7*7、5*5、3*3的尺寸进行卷积;

步骤2.2.4,将步骤2.2.3卷积处理的特征进行卷积核为1*1的尺寸进行卷积,得到全局特征;

步骤3,将步骤2获取的局部特征和全局特征进行融合,获取融合的特征信息;

步骤4,将步骤3获取的融合的特征信息输入到通道注意力模块中,获取加强特征图;

步骤4的具体过程为:

步骤4.1,将步骤3获取的融合的特征信息输入到通道注意力模块,获取通道注意力图,即影响每个通道的相对因子,表达式为:(5)

式(5)中,表示第i个通道对第j个通道的影响,表示第i个通道的特征图,表示第j个通道的特征图;

步骤4.2,通过步骤4.1得到的通道注意力图与步骤1提取图像的特征,计算得到加强特征图;

(6)

式(6)中,表示第i个通道对第j个通道的影响,表示第i个通道的特征图,表示第j个通道的特征图,为权重因子,初始化为0;

步骤5,将步骤3获取的融合的特征与步骤4获得的加强特征图进行融合;

步骤5中融合方式为:

(7)

式(7)中,为步骤3中融合的特征信息,为步骤4中加强特征图;

步骤6,将步骤5融合后的特征进行上采样得到分割图像。

2.根据权利要求1所述的基于通道注意力与金字塔卷积融合的语义分割方法,其特征在于,步骤1中提取图像的特征的计算表达式为:(1)

式(1)中:表示数据库中的训练图像,表示ResNet50网络中的整体参数,表示对图像提取特征。

3.根据权利要求2所述的基于通道注意力与金字塔卷积融合的语义分割方法,其特征在于,步骤2.1.2和步骤2.2.3中卷积核为9*9所对应的特征组数为16,卷积核为7*7所对应的特征组数为8,卷积核为5*5所对应的特征组数为4,卷积核为3*3所对应的特征组数为1。

4.根据权利要求1所述的基于通道注意力与金字塔卷积融合的语义分割方法,其特征在于,步骤3中融合的特征信息的表达式为:(4)

式(4)中:为得到的局部特征,为得到的全局特征,为融合的特征信息。

5.根据权利要求1所述的基于通道注意力与金字塔卷积融合的语义分割方法,其特征在于,步骤6的具体过程为:将步骤5融合后的特征采用反卷积操作在每两个像素之间增加空像素,使处理后的特征图尺寸与训练图像尺寸相同,得到图像分割结果。