一种改进U2-Net的显著性蒙古族图案检测算法制造技术

本发明专利技术公开了一种改进U2‑

【技术实现步骤摘要】
一种改进U2‑
Net的显著性蒙古族图案检测算法


[0001]本申请涉及图像处理
，尤其涉及一种改进U2‑
Net的显著性蒙古族图案检测算法。

技术介绍

[0002]蒙古族图案是民族传统文化的重要组成部分，是蒙古族在马背上历经千年的文化积淀而形成的，是蒙古族思想、情感的外化表现形式和蒙古民族特有的视觉符号，是蒙古人喜爱的文化中最具代表性的非物质文化遗产之一。因此，为了便于非物质文化遗产继承人的二次设计与开发，可以通过显著性检测，对显著性蒙古族图案进行提取。
[0003]显著性检测的任务是使用图像处理技术和和计算机视觉算法将图片中最引人注目的区域或比较重要的区域从图片背景中分割出来，主要通过特征提取，计算特征对比度来对图像显著区域进行分析，从而得到检测结果。
[0004]现有技术中，对于样本图像显著性检测中的单个体区域的检测问题研究已经比较成熟，但是由于蒙古族图案更复杂，相较于常规的显著性目标检测任务，对于图像提取结果的完整性以及边缘细节要求更高。
[0005]U2‑
Net就是针对显著性目标检测任务提出的一种简单而强大的深度网络体系结构，并提出了一种名为RSU(残差U型块)的新模块，但原始U2‑
Net网络在整体和每个RSU内的特征提取阶段都会对特征图进行频繁的的下采样(即：缩小图像)操作，这一操作虽然会减少内存和计算资源，但也极有可能在特征提取的初期就丢失一些图像的重要细节，这会导致显著性蒙古族图案的预测存在不完整，边缘不够精确等问题，这在一定程度上降低了显著性蒙古族图案检测的精确度，给后期进行蒙古族图案二次设计与开发造成一定消极影响。
[0006]因此，提供一种改进U2‑
Net架构的显著性蒙古族图案检测算法是很有必要的。

技术实现思路

[0007]本申请实施例提供了一种改进U2‑
Net的显著性蒙古族图案检测算法，用以解决显著性蒙古族图案的预测存在不完整、边缘不够精确、检测精确度不高的技术问题。
[0008]有鉴于此，本申请提供了一种改进U2‑
Net的显著性蒙古族图案检测算法，包括：
[0009]获取待检测图像；
[0010]将待检测图像输入显著性蒙古族图案检测模型，输出得到显著性蒙古族图案检测结果；显著性蒙古族图案检测模型为基于改进的U2‑
Net网络的深度学习模型；
[0011]基于改进的U2‑
Net网络的深度学习模型包括编码器、解码器、特征补充提取模块、轻量级组合注意力模块和特征图融合模块；
[0012]编码器为六级编码器，编码器为多个RSU组合而成的结构；
[0013]特征补充提取模块位于相邻两个RSU之间，用于补充提取采样过程中丢失的重要特征，特征补充提取模块共可分为三组，分别为第一特征补充提取模块、第二特征补充提取
模块和第三特征补充提取模块，三组特征补充提取模块的输入与上层RSU的输出进行残差连接，三组特征补充提取模块的输出与上层RSU的输出进行融合，将融合后的特征输入轻量级组合注意力模块；
[0014]轻量级组合注意力模块用于增强显著性图案的准确定位的能力，包括通道注意力模块和空间注意力模块，通道注意力模块可与空间注意力模块的输出结果相乘为上层RSU结构输出的特征重新加权。
[0015]可选地，三组特征补充提取模块共计五个子模块，其中，第一特征补充提取模块包括两个子模块、第二特征补充提取模块包括一个子模块、第三特征补充提取模块包括两个子模块。
[0016]可选地，第一特征补充提取模块的两个子模块结构相同，第三特征补充提取模块的两个子模块结构相同。
[0017]可选地，第一特征补充提取模块的子模块包括依次连接的二维卷积层、归一化层和Relu层。
[0018]可选地，第二特征补充提取模块的子模块包括二维卷积层、归一化层和Relu层，二维卷积层、归一化层和Relu层数量为两个。
[0019]可选地，第三特征补充提取模块的子模块包括二维卷积层、归一化层和Relu层，二维卷积层、归一化层和Relu层数量为三个。
[0020]可选地，二维卷积层中的卷积核大小为3x3。
[0021]可选地，通道注意力模块包括全局平均池化层、一维卷积层和激活层，全局平均池化层对融合后的特征进行全局平均池化操作得到一个特征长条，特征长条进入一维卷积层进行特征提取后进入激活层，激活层对其通过Sigmoid函数获得每个特征点的权值，最后与融合后的特征图像素相乘得到通道信息加权的特征图。
[0022]可选地，空间注意力模块包括全局最大池化层、全局平均池化层、特征层、二维卷积层和激活层，对通道信息加权的特征图进行全局平均池化与全局最大池化操作，得到的结果进行拼接得到中间特征，对中间特征进行卷积操作并通过Sigmoid函数得到相应的权重，最后与通道信息加权的特征图像素相乘得到显著性蒙古族图案检测结果。
[0023]可选地，空间注意力模块中二维卷积层的卷积核大小为7x7。
[0024]从以上技术方案可以看出，本申请实施例具有以下优点：
[0025]本专利技术基于U2‑
Net网络的深度学习模型进行改进，构建了显著性蒙古族图案检测模型，显著性蒙古族图案检测模型在U2‑
Net网络的RSU之间增加特征补充提取模块，特征补充提取模块中采用小尺寸卷积核串联的方式，不仅能增大感受野，还能减少下采样过程中的计算成本，有效的缩短计算量和提高特征的提取能力，预测得到的显著图更加完整；增加了通道注意力模块和空间注意力模块组成的轻量级组合注意力模块，在不显著增加计算成本的前提下，能够有效地增强特征中显著目标的响应，在抑制冗余的背景噪声的同时使显著性区域边界预测得更加准确，最终得到边界精准的显著性蒙古图案；解决了显著性蒙古族图案的预测存在不完整、边缘不够精确、检测精确度不高的技术问题。
附图说明
[0026]图1为本专利技术实施例中提供的改进U2‑
Net的显著性蒙古族图案检测方法的流程示
意图；
[0027]图2为本专利技术实施例中提供的改进U2‑
Net网络的结构示意图；
[0028]图3为本专利技术实施例中提供的特征补充提取模块的结构示意图；
[0029]图4为本专利技术实施例中提供的轻量级组合注意力模块的结构示意图；
[0030]图5为本专利技术实施例中提供的改进U2‑
Net的显著性蒙古族图案检测方法与其他检测方法的检测结果对比图。
具体实施方式
[0031]为了使本
的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。
[0032]为了便于理解，请参阅图1和图2(其中图2中的FSE为特征补充提取模块、LCA为轻量级组合注意力模块、En为编码器、De为解码器)，本申请提供的一种改进U2‑<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种改进U2‑
Net的显著性蒙古族图案检测算法，其特征在于，包括：获取待检测图像；将所述待检测图像输入显著性蒙古族图案检测模型，输出得到显著性蒙古族图案检测结果；所述显著性蒙古族图案检测模型为基于改进的U2‑
Net网络的深度学习模型；所述基于改进的U2‑
Net网络的深度学习模型包括编码器、解码器、特征补充提取模块、轻量级组合注意力模块和特征图融合模块；所述编码器为六级编码器，所述编码器为多个RSU组合而成的结构；所述特征补充提取模块位于相邻两个RSU之间，用于补充提取采样过程中丢失的重要特征，所述特征补充提取模块共可分为三组，分别为第一特征补充提取模块、第二特征补充提取模块和第三特征补充提取模块，所述三组特征补充提取模块的输入与上层RSU的输出进行残差连接，所述三组特征补充提取模块的输出与所述上层RSU的输出进行融合，将融合后的特征输入所述轻量级组合注意力模块；所述轻量级组合注意力模块用于增强显著性图案的准确定位的能力，包括通道注意力模块和空间注意力模块，所述通道注意力模块可与所述空间注意力模块的输出结果相乘为上层RSU结构输出的特征重新加权。2.根据权利要求1所述的一种改进U2‑
Net的显著性蒙古族图案检测算法，其特征在于，所述三组特征补充提取模块共计五个子模块，其中，所述第一特征补充提取模块包括两个子模块、所述第二特征补充提取模块包括一个子模块、所述第三特征补充提取模块包括两个子模块。3.根据权利要求2所述的一种改进U2‑
Net的显著性蒙古族图案检测算法，其特征在于，所述第一特征补充提取模块的两个子模块结构相同，所述第三特征补充提取模块的两个子模块结构相同。4.根据权利要求3所述的一种改进U2‑
Net的显著性蒙古族图案检测算法，其特征在于，所述第一特征补充提取模块的子模块包括依次连接的二维卷积层、归一化层和...

【专利技术属性】
技术研发人员：陈俊杰，白羽铭，赵春胜，
申请(专利权)人：内蒙古农业大学，
类型：发明
国别省市：