基于多注意力的轻量级分割图像的方法技术

本申请公开了一种基于多注意力的轻量级分割图像的方法

【技术实现步骤摘要】
基于多注意力的轻量级分割图像的方法、装置及存储介质


[0001]本申请涉及图像处理
，特别是涉及一种基于多注意力的轻量级分割图像的方法
、
装置及存储介质
。

技术介绍

[0002]随着深度学习的不断发展，医学图像处理逐渐成为一个备受关注的研究领域
。
由于成熟的医学图像处理技术不仅可以为医学工作者提供很大的辅助作用，还可以有效的改善医学诊断的准确性，因此研究人员对于医学图像的处理精度的要求也越来越高，旨在通过更加准确的自动化算法来辅助医生做出更加准确的诊断
。
然而，由于医学图像的复杂性和巨大的数据量，深度学习模型往往需要更复杂的结构和更深的网络，以达到期望的精度
。
这不可避免的增加了深度学习模型的参数量和计算量，并对实验设备的配置提出了更高的要求
。
[0003]因此，研究人员仍然需要进一步地研究和探索，以开发出更加适用和高效的深度学习模型
。
[0004]现有的轻量级模型如
GhostNet
模型和
Mo本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于多注意力的轻量级分割图像的方法，其特征在于，包括：将待处理图像输入至编码器模块，并从与所述编码器模块连接的上下文感知模块输出第一特征图，其中所述编码器模块包括多个按顺序依次级联的编码器，并且其中上一层级编码器的输出端与当前层级编码器的输入端连接；将所述第一特征图输入至与所述上下文感知模块连接的解码器模块，从而输出与所述待处理图像对应的分割图像，其中所述编码器还配置用于执行以下操作：将上一层级编码器输出的特征图分别输入至第一分支网络
、
第二分支网络和第三分支网络，其中所述第一分支网络和所述第二分支网络为一维卷积网络，所述第三分支网络为包括5×5的卷积核和1×1的卷积核的组合网络；利用所述第一分支网络对所接收到的特征图进行一维卷积，并生成第二特征图；利用所述第二分支网络对所接收到的特征图进行一维卷积，并生成第三特征图；利用所述第三分支网络对所接收到的特征图进行卷积，并生成第四特征图；以及基于上一层级编码器输出的特征图
、
所述第二特征图
、
所述第三特征图和所述第四特征图，生成用于输入至下一层级编码器的特征图
。2.
根据权利要求1所述的方法，其特征在于，所述第一分支网络包括第一卷积单元和第二卷积单元，并且利用所述第一分支网络对所接收到的特征图进行一维卷积，并生成第二特征图的操作，包括：利用所述第一卷积单元对所接收到的特征图进行行卷积操作，从而生成第一子特征图；以及利用所述第二卷积单元对所述第一子特征图进行列卷积操作，从而生成第二特征图
。3.
根据权利要求2所述的方法，其特征在于，所述第二分支网络包括第三卷积单元和第四卷积单元，并且利用所述第二分支网络对所接收到的特征图进行一维卷积，并生成第三特征图的操作，包括：利用所述第三卷积单元对所接收到的特征图进行列卷积操作，从而生成第二子特征图；以及利用所述第四卷积单元对所述第二子特征图进行行卷积操作，从而生成第三特征图
。4.
根据权利要求3所述的方法，其特征在于，所述第三分支网络包括第五卷积单元和第六卷积单元，并且利用所述第三分支网络对所接收到的特征图进行卷积，并生成第四特征图的操作，包括：利用所述第五卷积单元中的5×5卷积核对所接收到的特征图进行卷积操作，从而生成第三子特征图；以及利用所述第六卷积单元中的1×1卷积核对所述第三子特征图进行卷积操作，从而生成第四特征图
。5.
根据权利要求1所述的方法，其特征在于，所述编码器还包括分别与所述第一分支网络
、
所述第二分支网络和所述第三分支网络连接的多注意力模块，并且基于上一层级编码器输出的特征图
、
所述第二特征图
、
所述第三特征图和所述第四特征图，生成用于输入至下一层级编码器的特征图的操作，包括：将所述第二特征图
、
所述第三特征图和所述第四特征图分别输入至所述多注意力模块，并从所述多注意力模块输出第五特征图；以及
对上一层级编码器输出的特征图和所述第五特征图进行拼接，并输出用于输入至下一层级编码器的特征图
。6.
根据权利要求5所述的方法，其特征在于，将所述第二特征图
、
所述第三特征图和所述第四特征图分别输入至所述多注意力模块，并从所述多注意力模块输出第五特征图的操作，包括：基于空间注意力机制，分别对所述第二特征图
、
所述第三特征图和所述第四特征图进行更新；以及基于自注意力机制，并利用更新后的第二特征图
、
更新后的第三特征图以...

【专利技术属性】
技术研发人员：张榜泽，罗飞，任大伟，
申请(专利权)人：万里云医疗信息科技北京有限公司，
类型：发明
国别省市：