【技术实现步骤摘要】
一种基于轻量级交叉注意网络的实时语义分割的方法
[0001]本专利技术属于语义分割
,具体涉及一种基于轻量级交叉注意网络的实时语义分割的方法。
技术介绍
[0002]语义分割是计算机视觉的重要组成部分,旨在将图像的每个像素分类到一个相对类中,可以视作是密集分类任务。由于卷积神经网络(CNN)的发展,语义分割近年来取得了很大的进展。如何获取空间信息、捕获长范围依赖信息是进一步提高语义分割准确性的关键因素,也是许多研究人员所研究的重点。
[0003]针对空间信息丢失过多的问题,降低下采样率和使用多尺度特征混合是被广泛使用的策略。在语义分割领域,低的下采样率意味着高的计算复杂度和窄的视野。因此,大多数网络都采用多尺度特征混合以高效地获取空间信息。例如,FCN在解码器部分注入多尺度特征,UNet和LinkNet密集地将编码器的低级特征混淆到相应的解码器中。不同的是,为了在提取深层特征时保留空间细节,DAFNet在编码过程中不断加入多尺度特征。这些模型的多尺度特征混合过于粗糙,不可避免地将低级特征的噪声引入模型中,使分割结果变差。为了在没有噪声的情况下收集低级特征的空间信息,RefineNet在解码器部分使用复杂的混合处理模块以抑制浅层特征的噪声。显然,RefineNet是以高计算复杂度为代价实现精细的多尺度特征混和。为了有效混合多尺度特征,LRefineNet将RefineNet中残余卷积单元(RCU)和链式残差块(CRB)的3
×
3卷积层替换为1
×
1卷积,但是LRefin
【技术保护点】
【技术特征摘要】
1.一种基于轻量级交叉注意网络的实时语义分割的方法,其特征在于,包括以下步骤:步骤1,准备图像数据集用于训练和测试;步骤2,构建基于交叉注意机制的轻量级实时语义分割网络,包括编码器和解码器,编码器仅去除ResNet18尾部的全连接层以后的部分,其余部分保持不变,解码器包括两个CSCA模块、一个CAB模块和一个分类器,CSCA模块对输入的深层特征应用水平全局平均池化生成条状垂直空间向量,对浅层特征应用垂直全局平均池化生成条状水平空间向量,通过条状水平空间向量和条状垂直空间向量的亲和运算生成通道权重向量,进而利用通道权重向量选择浅层特征的空间信息;CAB模块是将三个特征图1
×
1卷积层应用于特征图,分别生成查询特征图、关键特征图和值特征图,查询特征图和关键特征图执行交叉亲和操作得到交叉亲和矩阵,交叉亲和矩阵和值特征图执行交叉亲和操作得到融合特征;分类器采用一层1
×
1卷积和8倍的双线性上采样构成;步骤3,使用训练集图像对轻量级实时语义分割网络模型进行训练;步骤4,使用步骤3训练好的网络模型对测试集图像进行分割,得到图像语义分割结果。2.如权利要求1所述的一种基于轻量级交叉注意网络的实时语义分割的方法,其特征在于:步骤1中对训练集中的图像进行缩放、上下、左右翻转、随机裁剪、随机旋转来扩充数据集。3.如权利要求1所述的一种基于轻量级交叉注意网络的实时语义分割的方法,其特征在于:步骤2中基于交叉注意机制的轻量级实时语义分割网络解码部分包括两个CSCA模块,第一个CSCA模块以浅层特征块Block3和深层特征块Block4的输出作为多尺度输入特征,第二个CSCA模块以浅层特征块Block2和第一个CSCA模块的输出作为多尺度输入特征;将编码器Block2、Block3、Block4、两个CSCA模块和CAB模块的输出作为网络的辅助损耗分支,将每个辅助损失分支的标签缩放到相应的特征分辨率,辅助损耗分支包含两个卷积层,每个辅助损失分支中的第一层3
×
3卷积压缩通道到32,第二层1
×
1卷积压缩为类别数;使用辅助监督的形式优化网络,网络损耗的计算方式如下:式中,L表示网络总损耗,L
main
表示主分支损耗,L
aux
表示辅助损耗分支的损耗,所有损耗函数均为交叉熵损耗函数,λ为各辅助损耗分支的权重。4.如权利要求1所述的一种基于轻量级交叉注意网络的实时语义分割的方法,其特征在于:步骤2中CSCA模块的输入包括深层特征和浅层特征,对深层特征应用水平全局平均池化HGAP生成条状垂直空间向量Z∈R
H
×
C
,对浅层特征应用垂直全局平均池化VGAP生成条状水平空间向量H∈R
W
×
C
,CSCA模块通过条状水平空间向量H∈R
W
×
C
和条状垂直空间向量Z∈R
H
×
C
的亲和运算生成通道权重向量ω∈R
C
×
C
,并利用通道权重向量ω∈R
C
×
C
选择浅层特征的空间信息,权重向量ω的计算公式如下:式中,ω∈R
C
×
C
表示通道权重向量,H和W分别表示特征映射的高和宽,Z
C
T
,S
∈R
C
×
H
表示第
C个通道的垂直转置空间向量的点S,H
S,C
∈R
...
【专利技术属性】
技术研发人员:王娟,袁旭亮,叶永钢,张则涛,刘子杉,郭力权,陈关海,
申请(专利权)人:湖北工业大学,
类型:发明
国别省市:
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。