基于分组注意力融合的伪装物体分割方法技术

本发明专利技术公开了基于分组注意力融合的伪装物体分割方法，步骤1，对输入图像利用图像特征提取模块进行特征提取；步骤2，构建分组注意力模块；步骤3，构建多尺度特征融合模块；利用本发明专利技术的方法，通过在多个公开数据集上进行评估，实验结果表明，本发明专利技术可以有效的分割复杂环境中的伪装物体，大幅提高了伪装目标分割的精度和鲁棒性，为伪装物体分割在各个领域的进一步应用打下了坚实的基础。一步应用打下了坚实的基础。一步应用打下了坚实的基础。

【技术实现步骤摘要】
基于分组注意力融合的伪装物体分割方法


[0001]本专利技术属于计算机视觉及人工智能
，涉及基于分组注意力融合的伪装物体分割方法。

技术介绍

[0002]伪装物体分割，是指识别出图像中与背景高度相似的对象。
[0003]近年来，在目标分割领域，伪装目标分割受到越来越多的研究者的关注。伪装一词，来源于生物学，是一种强大而巧妙的隐藏自身的方式。伪装物体一般通过颜色变化、环境模仿或部分遮挡来融入周围环境，自然界中的许多动物都利用这种方式来躲避天敌或捕食猎物。由于具备识别伪装对象的能力，所以伪装物体分割算法在很多领域都有广泛的应用前景，如物种发现、息肉分割、肺部感染分割、灾害搜救等。
[0004]但与此同时，目标和背景的高度相似性也对伪装物体分割任务带来了更大的挑战。不同于一般的目标分割算法，伪装目标分割需要网络具备更大的全局感知能力、捕获更多的高级语义信息才能准确的将目标从背景中分离出来。现有的方法大多基于CNN网络提取特征，借助边界或纹理线索来增强模型感知能力，在一些复杂场景下，无法准确的分割伪装目标。
[0005]我们采用Transformer框架作为提取特征的主干网络，借助自注意力机制建立全局感知能力；然后我们设计了一个分组融合模块，借助分组注意力机制，进一步挖掘高级语义特征，增强网络对于前景和背景的辨别能力；最后构建多尺度特征融合模块，由粗到细逐级恢复高分辨的预测图像。

技术实现思路

[0006]本专利技术的目的是提供基于分组注意力融合的伪装物体分割方法，实现对伪装物体的准确分割；大幅提高了网络对图像前景和背景的辨别能力，解决了现有方法在复杂场景下难以分割伪装物体的问题。
[0007]本专利技术所采用的技术方案是，基于分组注意力融合的伪装物体分割方法，具体按以下步骤实施：
[0008]步骤1，对输入图像利用图像特征提取模块进行特征提取；
[0009]步骤2，构建分组注意力模块；
[0010]步骤3，构建多尺度特征融合模块。
[0011]本专利技术的特点还在于：
[0012]其中步骤1具体为图像特征提取模块采用带金字塔结构的Transformer模块对输入图像进行特征提取；
[0013]其中步骤1具体按以下步骤实施：
[0014]步骤1.1，输入图像首先经过第一个Transformer模块，对待检测图像进行处理，输出第一特征图；
[0015]步骤1.2，第一特征图经过第二个Transformer模块，对特征进行处理，操作同上，输出第二特征图F2；
[0016]步骤1.3，第二特征图经过第三个Transformer模块，对特征进行处理，操作同上，输出第三特征图F3；
[0017]步骤1.4，第四特征图经过第四个Transformer模块，对特征进行处理，操作同上，输出第四特征图F4；
[0018]其中步骤1.1具体按以下步骤实施：
[0019]步骤1.1.1，输入图像首先经过PatchEmbedding模块，对图像进行划分，将输入图像H
×
W
×
3经过划分后为其中H和W为图像的宽和高，P
i
和C
i
为超参数，分别代表划分的块数和输出的通道数，此处的划分采用重叠交叉划分，增强块与块之间的交互，使网络捕获更多的全局信息；
[0020]步骤1.1.2，处理后的特征，经过带金字塔池化的自注意力机制模块，公式表示如下：
[0021][0022]式中，分别代表自注意力机制中的quary、经过池化操作的key和经过池化操作的value，d
head
代表多头注意力的数量，Softmax()指激活函数；
[0023]步骤1.1.3，经过自注意力后的特征，再经过一个前馈神经网络处理，使用LaryNorm做层归一化处理，然后使用线性映射将特征放大四倍，再使用线性映射将特征缩小四倍，最终输出第一特征图F1；
[0024]其中步骤2构建分组注意力模块具体按以下步骤实施：
[0025]步骤2.1，对主干网络提取到的四层特征分别进行降维操作；
[0026]步骤2.2，对降维后的四组特征进行交叉融合；
[0027]步骤2.3，对交叉融合后的四组特征记作f
′1，f
′2，f
′3，f
′4，分别进行分组注意力融合；
[0028]其中步骤2.1具体按以下步骤实施：
[0029]步骤2.1.1，对四层特征分别做卷积核为3x3的卷积操作，输出通道数设置为64，使用BatchNorm进行归一化，最后使用ReLU操作做激活处理；
[0030]步骤2.1.2，对处理后的四层特征分别做3x3的卷积操作，输入通道和输出通道设置一致，均为64，记作f1，f2，f2，f4；
[0031]其中步骤2.2具体按以下步骤实施：
[0032]步骤2.2.1，第四层特征由于没有上层特征，所以对其仅仅进行两层3x3的卷积操作，通道数保持一致；
[0033]步骤2.2.2，将处理后的第四组特征按通道拆分为N组，将未处理的第三组特征按通道数拆分为N组，将第四组上采样后进行交叉融合，融合后经过一个3x3的卷积模块进行融合，输入通道数为128，输出通道数为64；
[0034]步骤2.2.3，将处理后的第三组特征按通道拆分为N组，将未处理的第二组特征按
通道数拆分为N组，将第三组上采样后进行交叉融合，融合后经过一个3x3的卷积模块进行融合，输入通道数为128，输出通道数为64；
[0035]步骤2.2.4，将处理后的第二组特征按通道拆分为N组，将未处理的第一组特征按通道数拆分为N组，将第二组上采样后进行交叉融合，融合后经过一个3x3的卷积模块进行融合，输入通道数为128，输出通道数为64；
[0036]其中步骤2.3具体按以下步骤实施：
[0037]步骤2.3.1，对交叉融合后的第四组特征，首先按通道数拆分为M组，记作G
i
，i∈{1，...，M}，首先对G1进行升维操作，使用3x3卷积将其通道数扩充为原来的3倍，记作G
1j
，j∈{1，2，3}；
[0038]步骤2.3.2，将G
1j
按通道数拆分为3组，取第一组G
11
与G2进行Cat操作；之后G2同样进行通道数扩充，得到G
2j
，j∈{1，2，3}；对于G3操作同上，最终共生成M组特征，每一组特征都又被按通道数拆分为三组；
[0039]步骤2.3.3，将M组特征每一组中的第一组G
i1
，一起Cat后进行卷积操作，输出通道设置为64；
[0040]步骤2.3.4，将M组特征每一组中的第三组G
i3
，一起Cat后进行卷积操作，输出通道设置为1；
[0041]步骤2.3.5，最终将得到的通道数为1的特征与通道数为64的特征逐元本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于分组注意力融合的伪装物体分割方法，其特征在于，具体按以下步骤实施：步骤1，对输入图像利用图像特征提取模块进行特征提取；步骤2，构建分组注意力模块；步骤3，构建多尺度特征融合模块。2.根据权利要求1所述的基于分组注意力融合的伪装物体分割方法，其特征在于，所述步骤1具体为图像特征提取模块采用带金字塔结构的Transformer模块对输入图像进行特征提取。3.根据权利要求2所述的基于分组注意力融合的伪装物体分割方法，其特征在于，所述步骤1具体按以下步骤实施：步骤1.1，输入图像首先经过第一个Transformer模块，对待检测图像进行处理，输出第一特征图；步骤1.2，第一特征图经过第二个Transformer模块，对特征进行处理，操作同上，输出第二特征图F2；步骤1.3，第二特征图经过第三个Transformer模块，对特征进行处理，操作同上，输出第三特征图F3；步骤1.4，第四特征图经过第四个Transformer模块，对特征进行处理，操作同上，输出第四特征图F4。4.根据权利要求3所述的基于分组注意力融合的伪装物体分割方法，其特征在于，所述步骤1.1具体按以下步骤实施：步骤1.1.1，输入图像首先经过PatchEmbedding模块，对图像进行划分，将输入图像H
×
W
×
3经过划分后为其中H和W为图像的宽和高，P
i
和C
i
为超参数，分别代表划分的块数和输出的通道数，此处的划分采用重叠交叉划分，增强块与块之间的交互，使网络捕获更多的全局信息；步骤1.1.2，处理后的特征，经过带金字塔池化的自注意力机制模块，公式表示如下：式中，分别代表自注意力机制中的quary、经过池化操作的key和经过池化操作的value，d
head
代表多头注意力的数量，Softmax()指激活函数；步骤1.1.3，经过自注意力后的特征，再经过一个前馈神经网络处理，使用LaryNorm做层归一化处理，然后使用线性映射将特征放大四倍，再使用线性映射将特征缩小四倍，最终输出第一特征图F1。5.根据权利要求2所述的基于分组注意力融合的伪装物体分割方法，其特征在于，所述步骤2构建分组注意力模块具体按以下步骤实施：步骤2.1，对主干网络提取到的四层特征分别进行降维操作；步骤2.2，对降维后的四组特征进行交叉融合；步骤2.3，对交叉融合后的四组特征记作f1′
，f2′
，f3′
，f4′
，分别进行分组注意力融合。
6.根据权利要求5所述的基于分组注意力融合的伪装物体分割方法，其特征在于，所述步骤2.1具体按以下步骤实施：步骤2.1.1，对四层特征分别做卷积核为3x3的卷积操作，输出通道数设置为64，使用BatchNorm进行归一化，最后使用ReLU操作做激活处理；步骤2.1.2，对处理后的四层特征分别做3x3的卷积操作，输入通道和输出通道设置一致，均为64，记作f1，f2，f3，f4。7.根据权利要求5所述的基于分组注意力融合的伪装物体分割方法，其特征在于，所述步骤2.2具体按以下步骤实施：步骤2.2.1，第四层特征由于没有上层特征，所以对其仅仅进行两层3x3的卷积操作，通道数保持一致；步骤2.2.2，将处理后的第四组特征按通道拆分为N组，将未处理的第三组特征按通道数拆分为N组，将第四组上采样后进行交叉融合，融合后经过一个3x3的卷积模块进行融合，输入通道数为128，输出通道数为64；步骤2.2.3，将处理后的第三组特征按通道拆分为N组，将未处理的第二组特征按通道数拆分为N组，将第三组上采样后进行交叉融合，融合后经过一个3x3的卷积模块进行融合，输入通道数为128，输出通道数为64；步骤2.2.4，将处理后的第二组特征按通道拆分为N组，将未处理的第一组特征按通道数拆分为N组，将第二组上采样后进行交叉融合，融合后经过一个3x3的卷积模块进行融合，输入通道数为128，输出通道数为64。8.根据权利要求5所述的基于分组注意力融合的伪装物体分割方法，其特征在于，所述步骤2.3具体按以下步骤实施：步骤2.3.1，对交叉融合后的第四组特征，首先按通道数拆分...

【专利技术属性】
技术研发人员：宋霄罡，张鹏飞，王凡凡，戴添财，万婷，黑新宏，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：