基于注意力机制及卷积神经网络的超像素分割方法及系统技术方案

本公开提供了一种基于注意力机制及卷积神经网络的超像素分割方法及系统，所述方案首先将注意力模块嵌入到卷积神经网络中。其次，由此产生的挤压和激发网络进行端到端训练。然后，用灵活的损失函数学习特定任务的超级像素。最后，通过训练好的网络可以进行图像的超像素分割，大大降低维度，并消除一些异常的像素。通过基于注意力机制及卷积神经网络超像素分割的算法能够得到更好的分割结果，为图像超像素分割领域提供了一种具有明显优势的方法。像素分割领域提供了一种具有明显优势的方法。像素分割领域提供了一种具有明显优势的方法。

【技术实现步骤摘要】
基于注意力机制及卷积神经网络的超像素分割方法及系统


[0001]本公开属于图像处理
，尤其涉及一种基于注意力机制及卷积神经网络的超像素分割方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。
[0003]超像素分割是计算机图像处理中一个重要的预处理步骤。在计算机视觉中，超像素是将一些具有相似特征的像素聚集起来，形成一个更具代表性的大元素。这个新元素将成为其他图像处理算法的基本单位。它不仅可以大大减少尺寸，而且可以消除一些异常的像素。大量的实验分析表明，基于深度学习的超像素分割方法不仅在传统的分割基准上优于现有的超级像素算法，而且还可以为其他任务学习超级像素。此外，深度学习网络可以很容易地集成到下游的深度网络中，从而提高性能。目前，由于其代表性和计算效率，超像素已被广泛用于计算机视觉算法，如物体检测、语义分割、显著性估计、光流估计、深度估计、跟踪等。
[0004]专利技术人发现，现有的超级像素分割方法存在以下缺点：
[0005](1)大多数基于梯度的超级像素都是本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于注意力机制及卷积神经网络的超像素分割方法，其特征在于，包括：获取待进行超像素分割的图像；将所述图像输入预先训练的超像素分割模型中，获得预测的超像素关联图，基于所述超像素关联图，确定图像超像素分割结果；其中，所述超像素分割模型采用编码器
‑
解码器设计，所述编码器包括若干卷积层，所述图像通过编码器中不同层级的卷积层产生不同尺度的特征图；所述解码器包括若干反卷积层，所述编码器中不同层级卷积层产生的特征图通过跳跃连接传递到解码器中对应层级的反卷积层；同时，所述解码器中每个反卷积层的输入前均设置有注意力模块。2.如权利要求1所述的一种基于注意力机制及卷积神经网络的超像素分割方法，其特征在于，所述注意力模块采用SE
‑
Net注意力模块，其包括挤压操作和激励操作，所述挤压操作通过在空间维度上聚集特征图产生一个通道描述符；所述激励操作采用门控机制，将所述通道描述符产生的全局分布的嵌入作为输入，获得每个通道调制权重的集合。3.如权利要求1所述的一种基于注意力机制及卷积神经网络的超像素分割方法，其特征在于，所述基于所述超像素关联图，确定图像超像素分割结果，具体为：通过所述超像素分割模型获得预测的超像素关联图，其中，所述超像素关联图基于软关联图代替实际的像素硬分配，确定每个像素分配到不同网格单元的概率；通过将每个像素分配到具有最高概率的网格单元获得超像素分割结果。4.如权利要求1所述的一种基于注意力机制及卷积神经网络的超像素分割方法，其特征在于，所述超像素分割模型训练过程中采用的损失函数包括两部分，第一部分用于将具有相似属性的像素进行组合；第二部分用于强制约束超级像素在空间上保持紧凑。5.如权利要求4所述的一种基于注意力机制及卷积神经网络的超像素分割方法，其特征在于，所述预先确定的损失函数，具体表示如下：其中，p为图像中的某一像素点，p'为重建后图像中的某一像素点，f(p)为像素点的特征，f'(p)为重建图像该像素点的特征，dist()表示重建后的特征与原特征的差距以及重建后的位置与原位置的差...

【专利技术属性】
技术研发人员：王晶晶，栾振业，于子舒，任金雯，张立人，
申请(专利权)人：山东澳万德信息科技有限责任公司，
类型：发明
国别省市：