【技术实现步骤摘要】
一种基于自注意力机制的模板重建方法
本专利技术属于机器视觉检测领域，具体地说，涉及一种基于自注意力机制的模板重建方法。
技术介绍
基于模板比对的缺陷检测方法因其速度快、精度高等优点，因而在机器视觉检测领域中被广泛应用。而在基于模板比对的缺陷检测过程中，为了在提高检出率的同时降低误检率，往往需要进行模板重建的预处理操作，从而消除待检测对象的个体化差异。一般来说，模板重建可以分为刚性变换的方法和非刚性变换的方法两种，而非刚性变换的方法因其更广泛的适用场景，近年来受到越来越多的重视。非刚性变换的模板重建方法，以其重建原理的不同，又可分为基于图像配准的方法和基于特征重建的方法两种，本专利技术属于基于特征重建的非刚性模板重建方法。在此
内，传统的方法有基于核主成分分析（KPCA）的方法等，而随着近年来深度学习技术的推广应用，基于深度学习的方法也开始大行其道，其中以基于深度自编码（AutoEncoder）的图像修复技术在模板重建中的应用为主要代表。在以深度自编码为核心技术的模板重建方法中，利用卷积神经网络（CNN）...
【技术保护点】
1.一种基于自注意力机制的模板重建方法，其特征在于，首先对输入图像进行逐层级下采样得到下采样图像，并对下采样图像进行特征提取，然后分别对各层级的特征采用自注意力机制进行查表映射得到各层级对应的残差，最后将下采样图像逐层级上采样，同时融合各层级的残差信息生成各层级对应的上采样图像，最终生成的一个上采样图像即为重建的模板图像。/n
【技术特征摘要】
1.一种基于自注意力机制的模板重建方法，其特征在于，首先对输入图像进行逐层级下采样得到下采样图像，并对下采样图像进行特征提取，然后分别对各层级的特征采用自注意力机制进行查表映射得到各层级对应的残差，最后将下采样图像逐层级上采样，同时融合各层级的残差信息生成各层级对应的上采样图像，最终生成的一个上采样图像即为重建的模板图像。
2.如权利要求1所述的一种基于自注意力机制的模板重建方法，其特征在于，所述“对各层级的特征采用自注意力机制进行查表映射得到各层级对应的残差”的具体步骤为：
步骤S1.定义所述输入图像的各层级特征为具有c维度的三维张量，则各层级特征中每一空间位置均为长度为c的向量；
步骤S2.定义一个尺寸为c*n的二维张量查询表，将各层级特征的任意一个空间位置与尺寸为c*n的二维张量查询表叉乘得到长度为n的向量；
步骤S3.对步骤S2.中得到的长度为n的向量进行softmax归一化处理，得到另一个长度为n的向量，所得到的另一个长度为n的向量中包含的n个元素均大于或等于0，且所述n个元素之和等于1；所述n个元素即为注意力权重；
步骤S4.对于n个具有相同空间尺寸的码本数据，利用步骤S3.中所得的注意力权重进行加权求和，得到码本数据对应层级的残差；所述残差中包括从下一级的上采样图像在经过上采样后所缺失的高频细节信息。
3.如权...
【专利技术属性】
技术研发人员：贾可，郭昕，袁超，何尚杰，刘海龙，
申请(专利权)人：成都信息工程大学，
类型：发明
国别省市：四川;51
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。