一种基于全尺度融合和流场注意力的图像分割方法技术

本发明专利技术揭示了一种基于全尺度融合和流场注意力的图像分割方法，包括如下步骤：获取图像数据集，对数据图像进行预处理；以U

【技术实现步骤摘要】
一种基于全尺度融合和流场注意力的图像分割方法


[0001]本专利技术涉及图像分割领域，特别是涉及一种基于全尺度融合和流场注意力的图像分割方法。

技术介绍

[0002]近年来，基于深度学习的分割方法在图像分割任务上的应用取得了显著的进展。深度学习分割方法的成功得益于深度神经网络有强大的图像特征提取能力，并通过对图像特征信息的处理得到精细化的分割结果。深度神经网络模型包括有卷积神经网络(convolutional neural networks，CNN)、多层感知机(Multilayer Perceptron，MLP)、以及Transfomer等。现今卷积神经网络已经在图像分割领域取得了一定成就，例如全卷积网络(FCN)、U
‑
Net和SegNet等。其中U
‑
Net是一个具有代表性的图像分割网络。U
‑
Net在编码阶段利用分级CNN提取图像特征，解码阶段则通过反卷积和跳跃连接以实现编解码器的特征交互融合，从而得到较好的图像分割预测图。基于U
‑
Net，研究者们分别提出了结合注本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于全尺度融合和流场注意力的图像分割方法，其特征在于，包括如下步骤：获取图像数据集，对数据图像进行预处理；以U
‑
Net为骨干网络，构建图像分割模型；将数据集中的训练图像输入至图像分割模型中进行训练；通过选择合适的参数和损失函数调整模型至最优效果并进行保存；将数据集中的验证图像输入到训练好的图像分割模型中，得到分割预测结果。2.如权利要求1所述的基于全尺度融合和流场注意力的图像分割方法，其特征在于，所述图形分割模型包括依次连接的特征编码器、全尺度特征融合模块以及特征解码器。3.如权利要求2所述的基于全尺度融合和流场注意力的图像分割方法，其特征在于，所述图像分割模型数据处理包括如下步骤：所述特征编码器提取图像的层次特征信息和全局特征信息；所述全尺度特征融合模块将所述特征编码器提取的各层次特征信息以及全局特征信息进行交互融合；所述特征解码器细化各尺度特征映射，得到分割结果。4.如权利要求2所述的基于全尺度融合和流场注意力的图像分割方法，其特征在于，所述特征编码器包括依次连接的U
‑
Net骨干网络以及卷积MLP模块。5.如权利要求2所述的基于全尺度融合和流场注意力的图像分割方法，其特征在于，所述U
‑
Net骨干网络用于获取输入图像5层不同尺度的特征映射所述卷积MLP模块用于提取输入图像的全局特征信息并将其与底层特征映射F1级联得到融合特征T1。6.如权利要求2所述的基于全尺度融合和流场注意力的图像分割方法，其特征在于，所述全尺度特征融合模块沿着特征高度、宽度和通道维度进行特征融合，生成各支路融合特征其中生成第层的融合特征公式为：其中表示第i层卷积操作用来调整特征映射的通...

【专利技术属性】
技术研发人员：文颖，李凯，王雯，李占领，
申请(专利权)人：华平信息技术股份有限公司，
类型：发明
国别省市：