【技术实现步骤摘要】
基于块推荐网络的快速高分辨率图像分割方法
本专利技术涉及图像处理，尤其是涉及一种基于块推荐网络的快速高分辨率图像分割方法。
技术介绍
在人工智能被认为是第四次工业革命以来，全球顶尖、最有影响力的技术公司如google、facebook等都将目光转向AI。神经网络在计算机视觉，自然语言处理等方面的贡献是毋庸置疑的，随着算法的不断完善，部分垂直领域的研究已经落地应用。在计算机视觉领域，目前神经网络的应用主要有图像识别、目标定位与检测、语义分割等。图像识别就是告诉你图像是什么，目标定位与检测告诉你图像中目标在哪里，语义分割则是从像素级别回答上面两个问题。随着深度学习的兴起，语义分割取得了显著的进步。近年来，更多的焦点转移到通过实现对特殊应用如医学图像诊断、城市规划和道路提取以及无人车对道路的识别等问题上来。这些特殊的应用往往是包含2MB高分辨率或4MB超高分辨率图像，若将原图直接输入到流行的语义分割模型中，标准的GPU设备很难承受如此巨大的计算负担，并且要花费大量时间。若采取简单地将原图下采样再输入到流行的语义分割模型中，则会损失...
【技术保护点】
1.基于块推荐网络的快速高分辨率图像分割方法，其特征在于包括以下步骤：/n1)使用现有的语义分割框架分别构建全局分支G-branch与局部精细化分支R-branch；/n2)将原始高分辨率图像下采样成下采样图像,将原始高分辨率图像均匀地划分成若干个图像块；/n3)将下采样图像输入全局分支中获得全局分割特征图，然后使用与步骤2)相同的划分方式，将全局分割特征图均匀地划分成若干个特征块；/n4)将下采样图像输入块推荐网络PPN中，获取推荐块；/n5)在步骤2)的若干个图像块中根据步骤4)获得的推荐块标号，取出推荐块，与全局分割特征图上相应的特征块依次进行显著性操作，最后将显著性...
【技术特征摘要】
1.基于块推荐网络的快速高分辨率图像分割方法，其特征在于包括以下步骤：
1)使用现有的语义分割框架分别构建全局分支G-branch与局部精细化分支R-branch；
2)将原始高分辨率图像下采样成下采样图像,将原始高分辨率图像均匀地划分成若干个图像块；
3)将下采样图像输入全局分支中获得全局分割特征图，然后使用与步骤2)相同的划分方式，将全局分割特征图均匀地划分成若干个特征块；
4)将下采样图像输入块推荐网络PPN中，获取推荐块；
5)在步骤2)的若干个图像块中根据步骤4)获得的推荐块标号，取出推荐块，与全局分割特征图上相应的特征块依次进行显著性操作，最后将显著性操作后的结果依次输入到步骤1)构建的局部精细化分支R-branch中，得到局部精细化特征块；
6)将局部精细化特征块与全局分割特征图进行相应位置的融合，输出融合后的分割结果，作为总体的分割结果；
7)将分割结果与真实标签计算误差损失，使用Adam优化器训练网络，更新网络参数；
8)取任意的测试图像，重复步骤1)～6)，得到分割预测结果。
2.如权利要求1所述基于块推荐网络的快速高分辨率图像分割方法，其特征在于在步骤4)中，将下采样图像输入块推荐网络PPN中，获取推荐块的具体步骤为：
(4a)网络接收原高分辨率图像下采样后的图像作为输入，通过块推荐网络结构得到推荐的块号；
(4b)网络的块推荐机制采用如下判别机制：若当前特征块的分割得分IC低于总体平均得分It时，当前特征块将被确定为推荐的块并将其赋予指示值1，否则赋予指示值0；分割得分的度量使用全局分支G-branch中获得的平均交并比mIoU，K代表图像块的指示标识，取值为1表示推荐该图像块，取值为0表示不推荐该图像块；其选择机制的表达式如下：
3.如权利要求1所述基于块推荐网络的快速高分辨率图像分割方法，其特征在于在步骤(6)中，所述将局部精细化特征块与全局分割特征图进行相应位置的融合的具体步骤为：
(6a)构建与全局分割特征图具有相同大小的模板特征图，使用与划分全...
【专利技术属性】
技术研发人员：曲延云，吴桐，雷珍珍，李翠华，谢源，
申请(专利权)人：厦门大学，
类型：发明
国别省市：福建;35
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。