【技术实现步骤摘要】
基于注意力机制和多维特征融合的图像分割方法
[0001]本专利技术属于图像处理领域，涉及一种基于注意力机制和多维特征融合的图像分割方法。
技术介绍
[0002]目前的图像分割算法主要分为两类：一种是基于传统算法的分割方法，另一种是基于深度学习的分割方法。传统的分割算法又分为基于区域的方法和基于边缘的方法，但由于有些特定的图像边界复杂，以及容积效应的影响，传统方法难以满足一些特定领域图像分割的高精准度要求。
[0003]最近，针对一些特定领域的图像分割任务，研究人员提出了各种基于卷积神经网络(CNN)的深度学习方法，并取得了巨大的成功。与传统特征方法提取方法相比，CNN可以以数据驱动的方式训练更好的特征提取模型，并从输入数据中探索有价值的适合分割的表示。但普通的CNN只能提取到局部的特征信息，难以学习全局上下文信息以及提高特征表示能力。因此在网络中结合多维信息及注意力机制便十分重要。
技术实现思路
[0004]有鉴于此，本专利技术的目的在于提供一种基于注意力机制和多维特征融合的图像分割方法，实现对图像多...
【技术保护点】
【技术特征摘要】
1.一种基于注意力机制和多维特征融合的图像分割方法，其特征在于：包括以下步骤：S1：获取并预处理图像，对训练样本按照预设大小进行随机取块并组成训练集；S2：搭建基于多维特征信息与注意力机制的网络模型，包括：编码器：采用二维与三维特征提取自适应融合机制，从多轴面、多维度提取特征，替换传统3D卷积，池化层使用2
×2×
2的最大池化；解码器：采用注意力机制与多尺度特征的融合及深监督的策略，使用三线性插值的方式进行分辨率还原，最后经过激活函数得到最终的分割结果图；S3：对网络进行调参，将验证数据效果最好的模型进行保存，并对每一个数据进行验证，经过多次交叉验证取最优模型，从而进行图像分割。2.根据权利要求1所述的基于注意力机制和多维特征融合的图像分割方法，其特征在于：在编码器阶段具体包括以下步骤：通过将三维图像通过极大值映射投影获得多个面最大激活值的二维特征图；分别通过Non
‑
local自注意力机制学习到其全局注意力信息；利用Unsqueeze操作恢复到三维图像，与原图进行矩...
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。