反注意力番石榴语义分割检测设备制造技术

本公开提供及一种反注意力番石榴语义分割检测设备，涉及图像处理技术领域，对待分割图像进行特征提取，获得特征图像；对特征图像进行预分割，获得初始分割图像，其中，初始分割图像中包括初始预测的目标区域；对初始分割图像中初始预测的目标区域内部的预设区域进行擦除，获得了保留有初始预测图像的目标区域的边缘区域的反注意力图像；对初始分割图像和反注意力图像进行特征融合，即通过初始分割图像上的边缘区域对反注意力图像上的初始预测的目标区域的边缘进行增强，获得语义分割图像，经过上述融合，使得获得的语义分割图像的边缘区域的特征更明显，提升了近色场景下的语义分割效果。割效果。割效果。

【技术实现步骤摘要】
反注意力番石榴语义分割检测设备


[0001]本公开涉及图像处理
，具体地，涉及一种反注意力番石榴语义分割检测设备。

技术介绍

[0002]语义分割是计算机视觉中重要内容之一，随着该技术的飞速发展，相关算法和技术在各个领域均有广泛应用。例如，语义分割算法已应用于工业制造、自动驾驶、农业生产等领域。对于背景的颜色和目标的颜色相近的场景，现有的语义分割难以对该近色场景的图像进行分割。

技术实现思路

[0003]本公开的目的是提供一种反注意力番石榴语义分割检测设备，旨在解决上述技术问题。
[0004]为了实现上述目的，本公开第一方面提供一种反注意力番石榴语义分割检测方法，所述方法包括：对待分割图像进行特征提取，获得特征图像；对所述特征图像进行预分割，获得初始分割图像，其中，所述初始分割图像中包括初始预测的目标区域；对所述初始分割图像中所述初始预测的目标区域内部的预设区域进行擦除，获得反注意力图像，其中，所述反注意力图像中保留有所述初始预测的目标区域的边缘区域；对所述初始分割图像和所述反注意力图像进行特征融合，获得语义分割图像，其中，所述语义分割图像中目标区域上的边缘区域的特征比所述初始分割图像中初始预测的目标区域上的边缘区域的特征更强。
[0005]可选地，所述对待分割图像进行特征提取，获得特征图像，包括：将所述待分割图像逐层输入多层卷积层中，获得所述多层卷积层中每层卷积层提取的图像特征，其中，所述多层卷积层中至少两层卷积层不同；对多个图像特征进行拼接，获得所述多层卷积层中每层卷积层对应的特征图像。
[0006]可选地，所述多层卷积层包括第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层，所述第一卷积层包括依次连接的1
×
1的卷积、1
×
3的卷积、3
×
1的卷积、以及3
×
3的卷积；所述第二卷积层包括依次连接的1
×
1的卷积、1
×
1的卷积、1
×
1的卷积、以及3
×
3的卷积；所述第三卷积层包括依次连接的1
×
1的卷积、1
×
1的卷积、1
×
1的卷积、以及3
×
3的卷积；所述第四卷积层包括1
×
1的卷积；所述第五卷积层包括1
×
1的卷积，其中，所述第一卷积层包括的3
×
3的卷积的空洞率为3；所述第二卷积层包括的3
×
3的卷积的空洞率为5；所述第三卷积层包括的3
×
3的卷积的空洞率为7。
[0007]可选地，所述对所述特征图像进行预分割，获得初始分割图像，包括：对多个特征图像中的深层特征图像进行特征融合，获得融合后的特征图像；对所述融合后的特征图像进行预分割，获得所述初始分割图像。
[0008]可选地，所述多个特征图像包括第五卷积层输出的第一特征图像、所述第四卷积
层输出的第二特征图像，以及所述第三卷积层输出的第三特征图像，所述对多个特征图像中的深层特征图像进行特征融合，获得融合后的特征图像，包括：对所述第一特征图像进行上采样处理，获得上采样后的第一特征图像，以及对所述第二特征图像进行上采样处理，获得上采样后的第二特征图像；对所述上采样后的第一特征图像和所述第二特征图像进行点乘处理，获得第一点乘结果；对所述第一点乘结果和所述上采样后的第一特征图像进行拼接，获得拼接结果；对所述第一点乘结果、所述上采样后的第二特征图像以及所述第三特征图像进行点乘处理，获得第二点乘结果；将所述拼接结果和所述第二点乘结果进行特征融合，获得所述融合后的特征图像。
[0009]可选地，所述对所述初始分割图像和所述反注意力图像进行特征融合，获得语义分割图像，包括：获取所述初始分割图像对应的特征张量；将所述特征张量进行分割，获得至少两个分割张量；将所述反注意力图像与所述至少两个分割张量进行融合，获得所述语义分割图像。
[0010]可选地，所述特征融合包括三阶特征融合。
[0011]本公开第二方面提供一种反注意力番石榴语义分割检测设备，所述装置包括：提取模块，用于对待分割图像进行特征提取，获得特征图像；第一分割模块，用于对所述特征图像进行预分割，获得初始分割图像，其中，所述初始分割图像中包括初始预测的目标区域；获得模块，用于对所述初始分割图像中所述初始预测的目标区域内部的预设区域进行擦除，获得反注意力图像，其中，所述反注意力图像中保留有所述初始预测的目标区域的边缘区域；第二分割模块，用于对所述初始分割图像和所述反注意力图像进行特征融合，获得语义分割图像，其中，所述语义分割图像中目标区域上的边缘区域的特征比所述初始分割图像中初始预测的目标区域上的边缘区域的特征更强。
[0012]本公开第三方面提供一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面所述方法的步骤。
[0013]本公开第四方面提供一种电子设备，所述电子设备包括：存储器，其上存储有计算机程序；处理器，用于执行所述存储器中的所述计算机程序，以实现第一方面所述方法的步骤。
[0014]本公开提供的反注意力番石榴语义分割检测设备，对待分割图像进行特征提取，获得特征图像；对特征图像进行预分割，获得初始分割图像，其中，初始分割图像中包括初始预测的目标区域；对初始分割图像中初始预测的目标区域内部的预设区域进行擦除，获得了保留有初始预测图像的目标区域的边缘区域的反注意力图像；对初始分割图像和反注意力图像进行特征融合，即通过初始分割图像上的边缘区域对反注意力图像上的初始预测的目标区域的边缘进行增强，获得语义分割图像，其中，语义分割图像中目标区域上的边缘区域的特征比初始分割图像中初始预测的目标区域上的边缘区域的特征更强，经过上述融合，使得获得的语义分割图像的边缘区域的特征更明显，提升了近色场景下的语义分割效果。
[0015]本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
[0016]附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具
体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
[0017]图1是根据一示例性实施例示出的一种反注意力番石榴语义分割检测方法的流程图；
[0018]图2是根据一示例性实施例示出的图1中的步骤S110的子步骤的流程图；
[0019]图3是多层卷积层的框架示意图；
[0020]图4是根据一示例性实施例示出的图1中的步骤S120的子步骤的流程图；
[0021]图5是MFD模型框架示意图；
[0022]图6是番石榴的待分割图像；
[0023]图7是DeepLab模型得到的特征图像；
[0024]图8是HRNet模型得到的特征图像；
[0025]图9是根据一示例性实施例示出的图1中的步骤S140的子步骤的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种反注意力番石榴语义分割检测方法，其特征在于，所述方法包括：对待分割图像进行特征提取，获得特征图像；对所述特征图像进行预分割，获得初始分割图像，其中，所述初始分割图像中包括初始预测的目标区域；对所述初始分割图像中所述初始预测的目标区域内部的预设区域进行擦除，获得反注意力图像，其中，所述反注意力图像中保留有所述初始预测的目标区域的边缘区域；对所述初始分割图像和所述反注意力图像进行特征融合，获得语义分割图像，其中，所述语义分割图像中目标区域上的边缘区域的特征比所述初始分割图像中初始预测的目标区域上的边缘区域的特征更强。2.根据权利要求1所述的方法，其特征在于，所述对待分割图像进行特征提取，获得特征图像，包括：将所述待分割图像逐层输入多层卷积层中，获得所述多层卷积层中每层卷积层提取的图像特征，其中，所述多层卷积层中至少两层卷积层不同；对多个图像特征进行拼接，获得所述多层卷积层中每层卷积层对应的特征图像。3.根据权利要求2所述的方法，其特征在于，所述多层卷积层包括第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层，所述第一卷积层包括依次连接的1
×
1的卷积、1
×
3的卷积、3
×
1的卷积、以及3
×
3的卷积；所述第二卷积层包括依次连接的1
×
1的卷积、1
×
1的卷积、1
×
1的卷积、以及3
×
3的卷积；所述第三卷积层包括依次连接的1
×
1的卷积、1
×
1的卷积、1
×
1的卷积、以及3
×
3的卷积；所述第四卷积层包括1
×
1的卷积；所述第五卷积层包括1
×
1的卷积，其中，所述第一卷积层包括的3
×
3的卷积的空洞率为3；所述第二卷积层包括的3
×
3的卷积的空洞率为5；所述第三卷积层包括的3
×
3的卷积的空洞率为7。4.根据权利要求3所述的方法，其特征在于，所述对所述特征图像进行预分割，获得初始分割图像，包括：对多个特征图像中的深层特征图像进行特征融合...

【专利技术属性】
技术研发人员：韩宇星，王俊舒，李晓欣，蔡明睿，刘振，谭欣婕，
申请(专利权)人：华南农业大学，
类型：发明
国别省市：