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: 2023109210358
申请人: 河南大学
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:

1.一种基于改进DeepLabv3+的语义分割算法,其特征在于,包括以下步骤:基于DeepLabv3+模型,对轻量级网络MobileNetV2进行优化,将优化后的轻量级网络MobileNetV2作为新的主干特征提取网络;

在DeepLabv3+模型的ASPP模块后添加通道注意力机制SENet;

新的主干特征提取网络引入迁移学习,获得MST-DeepLabv3+模型,将图像输入到MST-DeepLabv3+模型中进行图像语义分割;

基于DeepLabv3+模型,对轻量级网络MobileNetV2进行优化,包括:删除轻量级网络MobileNetV2的后三层,并将轻量级网络MobileNetV2中的第七层的步长改为1,获得优化后的轻量级网络MobileNetV2;

所述优化后的轻量级网络MobileNetV2的实现步骤包括:

通过卷积核对优化后的轻量级网络MobileNetV2的输入特征矩阵进行升维,激活函数为ReLU6,利用扩充因子增加通道的大小,获得升维后的特征矩阵;

通过的DW卷积核对所述升维后的特征矩阵进行卷积处理,激活函数为ReLU6,获得卷积处理后的特征矩阵;

通过卷积核对所述卷积处理后的特征矩阵进行降维,激活函数为Linear,获得优化后的轻量级网络MobileNetV2的输出特征矩阵。

2.根据权利要求1所述的一种基于改进DeepLabv3+的语义分割算法,其特征在于,所述通道注意力机制SENet的实现步骤包括:利用Squeeze操作,对通道注意力机制SENet的原始输入特征进行全局池化,获得Squeeze操作输出的池化后的特征;

利用Excitation操作,学习所述池化后的特征的通道依赖关系,并根据通道的重要性进行通道权重的赋权,获得Excitation操作输出的特征;

Excitation操作输出的特征与所述原始输入特征相乘,得到通道注意力机制SENet输出的特征。

3.根据权利要求2所述的一种基于改进DeepLabv3+的语义分割算法,其特征在于,所述Squeeze操作的公式为:其中,为Squeeze操作输出的特征图集,为特征图在空间维度中执行全局平均池化后的结果,将的输入转换成的输出,表示全局信息,C为特征通道数,为特征图集,为特征图,即二维矩阵,为特征图集中特征图的高,为特征图集中特征图的宽,为高为i且宽为j的特征图;

所述Excitation操作的公式为:

其中,为Excitation操作输出的权重参数,为对应的两个变量为与,为ReLU激活函数,为Sigmoid激活函数,为Squeeze操作输出的特征图集,为权重矩阵,权重矩阵的维度是,为降维系数,为对进行全连接层降维操作后的结果,即,也为权重矩阵,权重矩阵的维度是,为对进行全连接层升维操作后的结果,即,为特征通道数;

所述通道注意力机制SENet输出的特征的计算公式为:

其中,为通道注意力机制SENet输出的特征中的一个特征,为特征对应的两个变量为与,为Excitation操作输出的权重,为高为i且宽为j的二维矩阵。

4.根据权利要求1所述的一种基于改进DeepLabv3+的语义分割算法,其特征在于,所述迁移学习的训练过程包括冻结阶段和解冻阶段,所述冻结阶段的新的主干特征提取网络不发生改变,所述解冻阶段训练新的主干特征提取网络中的所有参数,新的主干特征提取网络发生变化。