尺度自适应特征增强深度神经网络的图像分割方法与系统技术方案

本发明专利技术属于基于特定计算模型的计算机系统领域，提供了一种尺度自适应特征增强深度神经网络的图像分割方法与系统。该方法包括，基于输入图像数据采用尺度自适应特征增强深度神经网络，得到预测结果；将输入图像数据进行预处理，得到分割掩码图；基于输入图像数据，提取不同尺度的底层特征；基于不同尺度的底层特征，采用注意力网络，生成权重注意力图；将不同尺度的底层特征和权重注意力图相乘，得到第一特征图；提取第一特征图的关键特征信息，得到图像的高层语义特征图；提取分割掩码图的特征，得到目标感知注意力图；根据高层语义特征图和目标感知注意力图，得到第二特征图；将第一特征图和第二特征图进行融合，得到用于预测的图像全局特征图。的图像全局特征图。的图像全局特征图。

【技术实现步骤摘要】
尺度自适应特征增强深度神经网络的图像分割方法与系统


[0001]本专利技术属于基于特定计算模型的计算机系统领域，尤其涉及一种尺度自适应特征增强深度神经网络的图像分割方法与系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]图像分割是数字图像处理至关重要的环节，在目标提取、智能安防、病灶分割等众多领域应用广泛。然而现有的图像分割方法大多是针对于具有一定尺寸大中型目标，对于图像中可视化特征极少的小目标，在性能上难以达到令人满意的效果。例如，在医学图像分割中，由于病症较轻的患者，病灶区域表示信息较小，分割难度较大。因此，关注小目标区域可以克服现有分割方法提取目标尺寸单一的局限性，有助于进一步提升图像分割性能。
[0004]深度学习由于其强大的特征学习能力，已成为当今主流的分割方法。然而，由于其层次化的特征学习方式，导致其在学习高层特征时，丢失小目标的信息。同时，由于小目标像素数量较少，使得网络在训练过程中学习大量非小目标区域的知识，忽略了小目标的特性，进而限制了分割性能的提升。

技术实现思路

[0005]为了解决上述
技术介绍
中存在的技术问题，本专利技术提供一种尺度自适应特征增强深度神经网络的图像分割方法与系统，其可用于小目标图像分割任务，进一步提升图像分割精度。
[0006]为了实现上述目的，本专利技术采用如下技术方案：本专利技术的第一个方面提供一种尺度自适应特征增强深度神经网络的图像分割方法。
[0007]尺度自适应特征增强深度神经网络的图像分割方法，包括：基于输入图像数据，采用尺度自适应特征增强深度神经网络，得到预测结果；所述输入图像数据，采用尺度自适应特征增强深度神经网络，得到预测结果的过程包括：将输入图像数据进行预处理，得到分割掩码图；基于输入图像数据，提取不同尺度的底层特征；基于不同尺度的底层特征，采用注意力网络，生成权重注意力图；将不同尺度的底层特征和权重注意力图相乘，得到第一特征图；提取第一特征图的关键特征信息，得到图像的高层语义特征图；提取分割掩码图的特征，得到目标感知注意力图；根据高层语义特征图和目标感知注意力图，得到第二特征图；将第一特征图和第二特征图进行融合，得到用于预测的图像全局特征图。
[0008]本专利技术的第二个方面提供一种尺度自适应特征增强深度神经网络的图像分割系统。
[0009]尺度自适应特征增强深度神经网络的图像分割系统，包括：预测模块，其被配置为：基于输入图像数据采用尺度自适应特征增强深度神经网络，得到预测结果；模型构建模块，其被配置为：所述尺度自适应特征增强深度神经网络包括图像预处理模块、底层特征提取模块、高层特征提取模块和融合模块；图像预处理模块，其被配置为：将输入图像数据进行预处理，得到分割掩码图；底层特征提取模块，其被配置为：基于输入图像数据，提取不同尺度的底层特征；基于不同尺度的底层特征，采用注意力网络，生成权重注意力图；将不同尺度的底层特征和权重注意力图相乘，得到第一特征图；高层特征提取模块，其被配置为：提取第一特征图的关键特征信息，得到图像的高层语义特征图；提取分割掩码图的特征，得到目标感知注意力图；根据高层语义特征图和目标感知注意力图，得到第二特征图；融合模块，其被配置为：将第一特征图和第二特征图进行融合，得到用于预测的图像全局特征图。
[0010]不同于大多数特征提取网络对于底层特征学习和高层特征学习使用相同的特征学习模块，本专利技术在传统的基网络基础上，提出了一种新的尺度自适应的特征增强网络，使用不同的模块对底层特征和高层特征进行更有效的学习。该网络将特征提取分成低级特征学习和高级特征学习两部分。在低级学习特征中，引入多尺度学习技术，使其可以获取不同大小目标的底层细节信息。在高级特征学习中，引入小目标感知注意力模块，该模块主要用于约束高级特征中要将注意力聚焦于小目标部分，进而防止小目标语义信息的丢失。引入特征级注意力融合模块，用于融合提取到的低级特征和高级特征。引入重要性损失函数，在传统的像素级损失函数中加入重要性权重，同时引入重要性权重的稀疏正则化，使得模型在训练过程中关注到数量较少的小目标。
[0011]与现有技术相比，本专利技术的有益效果是：本专利技术提出的一种尺度自适应特征增强深度神经网络的图像分割方法与系统，与传统方法相比，该方法在图像分割方面表现出了优异性。一方面，不同于大多数特征提取网络对于底层特征学习和高层特征学习使用相同的特征学习模块，本专利技术创造性的提出了一种新的尺度自适应的特征增强网络，该网络利用不同的特征学习模块自适应地学习多尺度的底层细节信息，同时，可对高层语义信息进行增强，提升了对于不同大小目标的特征学习能力。另一方面，本专利技术构建了一种自适应的分类损失函数，可自适应的选择对于像素分类较为重要的像素，使得这些像素在训练阶段能够获得模型重点关注，有助于提升模型对不同大小目标的分割精度。
附图说明
[0012]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0013]图1是本专利技术实施例二示出的尺度自适应特征增强深度神经网络的图像分割系统
的框架图；图2是本专利技术实施例二示出的尺度自适应特征增强深度神经网络的图像分割系统的框架图。
具体实施方式
[0014]下面结合附图与实施例对本专利技术作进一步说明。
[0015]应该指出，以下详细说明都是例示性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义。
[0016]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本专利技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0017]需要注意的是，附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意，在有些作为备选的实现中，方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，或者它们有时也可以按照相反的顺序执行，这取决于所涉及的功能。同样应当注意的是，流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合，可以使用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以使用专用硬件与计算机指令的组合来实现。
[0018]实施例一本实施例提供了一种尺度自适应特征增强深度神经网络的图像分割方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.尺度自适应特征增强深度神经网络的图像分割方法，其特征在于，包括：基于输入图像数据，采用尺度自适应特征增强深度神经网络，得到预测结果；所述输入图像数据，采用尺度自适应特征增强深度神经网络的过程包括：将输入图像数据进行预处理，得到分割掩码图；基于输入图像数据，提取不同尺度的底层特征；基于不同尺度的底层特征，采用注意力网络，生成权重注意力图；将不同尺度的底层特征和权重注意力图相乘，得到第一特征图；提取第一特征图的关键特征信息，得到图像的高层语义特征图；提取分割掩码图的特征，得到目标感知注意力图；根据高层语义特征图和目标感知注意力图，得到第二特征图；将第一特征图和第二特征图进行融合，得到用于预测的图像全局特征图。2.根据权利要求1所述的尺度自适应特征增强深度神经网络的图像分割方法，其特征在于，所述输入图像数据为待测试的图像数据或者训练的图像数据。3.根据权利要求1所述的尺度自适应特征增强深度神经网络的图像分割方法，其特征在于，所述图像预处理模块具体过程包括：获取图像样本数据集；依据分割掩码将图像数据集中的目标区域复制，然后随机粘贴到原图像中，得到分割掩码图和初始图像;其中，目标区域与粘贴的副本间不能互相遮挡。4.根据权利要求3所述的尺度自适应特征增强深度神经网络的图像分割方法，其特征在于，在粘贴至新位置前，对图像执行随机变换操作，所述随机变换操作包括随机缩放尺寸、随机旋转或增加噪声中的至少一种。5.根据权利要求3所述的尺度自适应特征增强深度神经网络的图像分割方法，其特征在于，在得到所述初始图像之后包括：采用不同尺寸的卷积层提取初始图像在不同尺度的底层特征；基于不同尺度的底层特征，采用注意力网络，生成权重注意力图；将不同尺度的底层特征与生成权重注意力图相乘，使得提取到的底层特征粒度适应不同目标区域的大小，得到第一特征图。6.根据权利要求1所述的尺度自适应特征增强深度神经网络的图像分割方法，其特征在于，得到第二特征图的过程包括：基于第一特征图，提取图像的关键特征信息，得到图像的高层语义特征图；提取分割掩码图的特征，利用两个卷积层获取归一化层的缩放系数与偏置项，将提取到的特征...

【专利技术属性】
技术研发人员：袭肖明，宋祚永，张光，聂秀山，孙良运，
申请(专利权)人：山东建筑大学，
类型：发明
国别省市：