【技术实现步骤摘要】
一种多层级边缘增强融合的伪装目标分割方法
[0001]本专利技术属于计算机视觉
,具体涉及一种多层级边缘增强融合的伪装目标分割方法。
技术介绍
[0002]伪装目标分割是近年来计算机视觉新兴的一个领域,也是计算机视觉分割任务的一个重要分支,在近年来受到许多研究者的关注。伪装目标指的是那些与背景高度相似,或被背景所遮挡的对象,他们通常会与环境巧妙的融合在一起,让自身的颜色,姿态等与环境高度相似,从而使自身伪装起来,使他们难以被发现。例如,生活在沙漠中的变色龙,冰层上的北极熊以及穿着迷彩服的士兵等,他们都被称为是伪装目标。而伪装目标分割旨在检测出在视觉场景的伪装目标,并将他们与背景分割开来,提取出有用的伪装目标信息。伪装目标分割可以被用于许多应用,除本身具有的科学研究价值外,还可以用于计算机视觉(用于搜救工作,珍惜动物的发现),医学图像分割(如息肉分割,肺部感染分割,视网膜图像分割),农业(灾害检测,蝗虫检测),艺术(逼真混合,娱乐艺术),军事勘察等。现有的伪装目标分割方法已有几十种,早期的伪装目标分割效果不好,并且工作量较大。最近几年由于深度学习的发展,基于深度学习所提出的方法大大提升了分割效果。早期的伪装目标识别任务是采用启发式先验特征提取来生成分割图。这些先验特征一般包括颜色对比、纹理信息和中心先验等。然而,这些手工特征的提取难度较大、先验特征的选取具有很强的主观性,并且难以获取到语义信息与内容信息之间的联系,在现实场景下,这些方法往往会失效,并且泛化性能较低。在最近几年,为了解决这一问题,基于深度学习的伪装 ...
【技术保护点】
【技术特征摘要】
1.一种多层级边缘增强融合的伪装目标分割方法,其特征在于,包括以下步骤:S1、提取输入图像的多层次特征,所述多层次特征包括第二~第五特征,将第二~第五特征输入边缘提取模块,得到边缘特征;S2、将第二~第五特征输入残差纹理增强模块,得到精细化的第二~第五特征;S3、将第五特征输入金字塔池化模块,得到全局先验信息;S4、将边缘特征、精细化的第二~第五特征和全局先验信息输入边缘引导融合模块,通过边缘引导融合模块进行自上而下地融合操作,得到最终的伪装目标预测结果,完成伪装目标分割。2.根据权利要求1所述的多层级边缘增强融合的伪装目标分割方法,其特征在于,所述S1中,通过Res2Net
‑
50网络提取输入图像的多层次特征,所述第二~第五特征的通道数分别为256、512、1024和2048。3.根据权利要求1所述的多层级边缘增强融合的伪装目标分割方法,其特征在于,所述S1中,得到边缘特征F
e
的表达式具体为:式中,F
o
为集成特征,其通过第二~第五特征集成得到,Conv1×1为1
×
1卷积操作,为相乘操作,σ为Sigmoid函数,GAP(
·
)为全局平均池化操作,Conv1d(
·
)为卷积核为k的一维卷积操作,k为自适应卷积核大小,其表达式具体为下式:式中,C为设定的通道数,|
·
|
odd
为取最近的奇数通式。4.根据权利要求3所述的多层级边缘增强融合的伪装目标分割方法,其特征在于,所述集成特征F
o
的表达式具体为:F
o
=Conv3×3(CAT(F
′2,F
′3,F
′4,F
′5))F
′2=Conv1×1(F2)F
′3=UP(Conv1×1(F3))F
′4=UP(Conv1×1(F4))F
′5=UP(Conv1×1(F5))式中,CAT(
·
)为拼接操作,Conv3×3为3
×
3卷积操作,UP(
·
)为上采样操作,F2为第二特征,F3为第三特征,F4为第四特征,F5为第五特征,F
′2为通道数为64的第二特征,F
′3为通道数为64的第三特征,F
′4为通道数为64的第四特征,F
′5为通道数为64的第五特征。5.根据权利要求1所述的多层级边缘增强融合的伪装目标分割方法,其特征在于,所述S2中,残差纹理增强模块包括主分支和第一~第四负分支,其中,所述主分支和第一负分支的输入为输入特征,所述第二~第四负分支的输入为前一个负分支上采样后的输出与输入特征的相加结果;其中,所述输入特征为第二特征、第三特征、第四特征或第五特征;得到精细化的第二~第五特征的方法具体为得到精细化的输入特征的方法,其具体为:
将第一~第四负分支的输出进行拼接后,将拼接结果进行3
×
3卷积并与组分支的输出相加,将相加结果输入至ReLU函数,得到精细化的输入特征。6.根据权利要求5所述的多层级边缘增强融合的伪装目标分割方法,其特征在于,所述第一~第四负分支的扩张率分别为1、3、5和7;所述主分支和第一负分支均设置有1
×
1卷积;所述第二负分支包括依次连接的1
×
1卷积、1
×
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。