【技术实现步骤摘要】
基于Anchor-Free的实时实例分割方法
本专利技术涉及模式识别与计算机视觉领域，具体涉及一种基于Anchor-Free的实时实例分割方法。
技术介绍
近年来，随着社会进步和科技的不断发展，在视觉领域，目标检测检测和语义分割结果的研究在短时间内得到快速发展。目标检测识别往往在图像上将目标以轴对称框的形式框出。大多成功的目标检测器都先穷举出潜在目标位置，然后对该位置进行分类。锚框的使用存在参数量大，正负样本不均导致训练难得缺点。因此使用Anchor-Free可以缩短训练时间，提高效率。实例分割极具挑战性，因为它要求对图像中所有目标进行正确检测并同时准确分割每个实例。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种基于Anchor-Free的实时实例分割方法，能够有效地对图像进行实例分割。为实现上述目的，本专利技术采用如下技术方案：一种基于Anchor-Free的实时实例分割方法，包括以下步骤：步骤S1：获取实例分割数据集，并预处理后生成训练集；步骤S2：基于改进的目...
【技术保护点】
1.一种基于Anchor-Free的实时实例分割方法，其特征在于，包括以下步骤：/n步骤S1:获取实例分割数据集，并预处理后生成训练集；/n步骤S2:基于改进的目标检测网络CenterNet和CAG-Mask模块,构建基于Anchor-Free的实时实例分割模型；/n步骤S3:根据训练集训练基于Anchor-Free的实时实例分割模型，得到训练好的分割模型；/n步骤S4：根据训练好的分割模型对待检测图像或视频数据进行处理，获得实例分割效果。/n
【技术特征摘要】
1.一种基于Anchor-Free的实时实例分割方法，其特征在于，包括以下步骤：
步骤S1:获取实例分割数据集，并预处理后生成训练集；
步骤S2:基于改进的目标检测网络CenterNet和CAG-Mask模块,构建基于Anchor-Free的实时实例分割模型；
步骤S3:根据训练集训练基于Anchor-Free的实时实例分割模型，得到训练好的分割模型；
步骤S4：根据训练好的分割模型对待检测图像或视频数据进行处理，获得实例分割效果。
2.根据权利要求1所述的基于Anchor-Free的实时实例分割方法，其特征在于，所述预处理包括用尺度变化、翻转以及对比度变化的数据增强方法。
3.根据权利要求1所述的基于Anchor-Free的实时实例分割方法，其特征在于，所述步骤S2具体为：
步骤S21:将HarDNet第二层的3×3传统卷积替换成3×3深度可分离卷积，使用修改后的HarDNet作为CenterNet的主干网提取特征，获得特征图，通过改进的HarDNet四次下采样之后由hm、wh、reg三个网络层输出三个预测值，分别是热力图、中心点对应的长和宽、偏置量，所有输出共享一个主干网；
步骤S22:在主干网加上分支CAG-Mask模块，建立Anchor-Free的实时实例分割模型
步骤S23：通道注意力模块是通过平均池化和最大池化操作来聚合特征映射的空间信息，生成两个不同的上下文描述图，将两个描述图送到一个共享网络，得到通道注意力图；
步骤S24：卷积块注意模块将空间和通道两个注意力模块串联起来，且通道注意力模块在前，空间注意力模块在后。
4.根据权利要求3所述的基于Anchor-Free的实时实例分割方法，其特征在于，所共享网络由多层感知机和一个隐藏层组成；
设通道注意力模块的输出结果为M，M的计算公式如下：
其中θ1和θ0为多层感知机(MLP)的权重，XI为输入特征图，表示对特征图D进行E类型的池化操作，上标D表示操作对象，下标E表示操作类型，max为取最大值，avg为取平均值；τ表示sigmoid函数，表示对应元素相加，表示对应元素相乘。
5.根据权利要求3所述的基于Anchor-Free的实时实例分割方法，其特征在于，所述步骤S24具体为：
将通道注意力模块的输出结果M作为空间注意力模块的输入，设空间注意力模块的输出结果为AO，AO的计算公式如下：
其中表示级联运算，Fke表示卷积核为ke的卷积操作，下标ke表示卷积核的大小，F3×3则表示卷积核为3×3...
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。