【技术实现步骤摘要】
本申请属于图像处理，特别涉及基于神经网络的图像分割方法及电子设备。
技术介绍
1、当前，传统的图像分割技术大多数情况使用u-net作为基本网络，u-net的变种网络也很多，比如u-net++。
2、因为需要特定的网络结构适应不同复杂程度的图像数据，导致u-net网络结构层出不穷，但是整体来说泛化性不够；通常，较为复杂的图像数据分割任务，使用传统的4层深度很难得到好的拟合效果；图像训练样本中的类别失衡导致网络的感知度降低；传统的u-net传递参数只能由整体网络架构决定，网络结构在训练中是无法改变的，具有局限性；主干神经网络（backbone）向下传播参数的过程生硬，整个网络框架比较固定，缺乏架构的灵活性和参数传递的灵活性。
3、针对上述问题，提出本申请中的基于神经网络的图像分割方法及电子设备。
技术实现思路
1、为了解决所述现有技术的不足，本申请提供了一种基于神经网络的图像分割方法及电子设备，该方法解决现有技术中u-net网络泛化性不够，架构不灵活以及参数固定等问题。
2、本申请所要达到的技术效果通过以下方案实现：
3、第一方面，本申请提供一种基于神经网络的图像分割方法，所述方法包括：
4、s1、获取待分割图像，对所述待分割图像执行数据增强；
5、s2、基于五层深度的初始u-net++网络，结合注意门模块，针对每一个向上采样均增加对应的注意门模块，所述注意门模块用于强化各个卷积模块的网络表现；
6、s
7、在一些实施例中，所述对所述待分割图像执行数据增强，包括：
8、根据所述待分割图像的大小，确定第一分割尺寸和第一步长；
9、按照所述第一分割尺寸以及所述第一步长对所述待分割图像进行分割，获得分割图像。
10、在一些实施例中，所述对所述待分割图像执行数据增强，还包括：
11、在所述待分割图像是训练图像的情况下，对于所述待分割图像的边缘不能被完整分割的部分图像，进行舍弃，其中所述训练图像表示对初始u-net++网络进行训练，得到目标u-net++网络使用的图像；
12、在所述待分割图像是测试图像的情况下，对于所述待分割图像的边缘不能被完整分割的部分图像，进行填充，获得填充后的图像，将填充后的图像作为分割图像。
13、在一些实施例中，所述采用平滑的渐进式训练方法，使用平滑参数a，对五层深度的所述初始u-net++网络进行训练，得到目标u-net++网络，包括：
14、设定与所述初始u-net++网络的下采样对应的五个卷积模块分别为卷积模块1，卷积模块2，卷积模块3，卷积模块4以及卷积模块5；
15、在每两个卷积模块之间设置残差模块，所述残差模块用于平滑卷积模块的输出结果。
16、在一些实施例中，所述采用平滑的渐进式训练方法，使用平滑参数a，对五层深度的所述初始u-net++网络进行训练，得到目标u-net++网络，还包括：
17、在训练开始之前，所述初始u-net++网络的各个层均处于冻结状态；
18、在训练开始后，首先解冻网络层1，将所述分割图像输入卷积模块1，经过卷积模块1的处理后，获得输出结果a1。
19、在一些实施例中，所述采用平滑的渐进式训练方法，使用平滑参数α，对五层深度的所述初始u-net++网络进行训练，得到目标u-net++网络，还包括：
20、解冻网络层2，并将a1输入卷积模块2，所述卷积模块2对a1进行处理得到a21，将a21输入至卷积模块2与卷积模块3之间的残差模块中，所述残差模块对a21进行处理后得到a22，计算得到a2，其中a2=a22*（1-α）+ a21 * α，将a2作为结果输出，并继续完成本次训练过程；
21、每经过一个epoch，所述平滑参数α将衰减0.1，在经过十个epoch之后，计算交并比，如果所述交并比大于设定阈值，则停止训练，得到训练后的目标u-net++网络。
22、在一些实施例中，如果所述交并比小于或者等于设定阈值，则
23、解冻网络层3，将卷积模块2与卷积模块3之间的残差模块固定化，固定化表示的是平滑参数α与所述卷积模块2的输出结果的乘积将不再作为结果输出的一部分；
24、对于卷积模块3以及卷积模块3与卷积模块4之间的残差模块的训练，重复卷积模块2以及卷积模块2与卷积模块3之间的残差模块的训练过程，并且在经过十个epoch之后，计算交并比并判断是否需要继续解冻其他网络层，直到获得目标u-net++网络。
25、在一些实施例中，每个所述残差模块包括两个网络层，所述设定阈值为92%。
26、第二方面，本申请提供一种电子设备，所述电子设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现前述任意一项所述的方法。
27、第三方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现前述任一项所述的方法。
28、本申请提供的基于神经网络的图像分割方法采用平滑的渐进式的训练方法，结合平滑参数，可以提高u-net神经网络的灵活性，同时优化训练策略和节约训练时间，提高效率，降低成本。
本文档来自技高网...【技术保护点】
1.一种基于神经网络的图像分割方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于神经网络的图像分割方法，其特征在于，所述对所述待分割图像执行数据增强，包括：
3.根据权利要求2所述的基于神经网络的图像分割方法，其特征在于，所述对所述待分割图像执行数据增强，还包括：
4.根据权利要求3所述的基于神经网络的图像分割方法，其特征在于，所述采用平滑的渐进式训练方法，使用平滑参数α，对五层深度的所述初始U-net++网络进行训练，得到目标U-net++网络，包括：
5.根据权利要求4所述的基于神经网络的图像分割方法，其特征在于，所述采用平滑的渐进式训练方法，使用平滑参数α，对五层深度的所述初始U-net++网络进行训练，得到目标U-net++网络，还包括：
6.根据权利要求5所述的基于神经网络的图像分割方法，其特征在于，所述采用平滑的渐进式训练方法，使用平滑参数α，对五层深度的所述初始U-net++网络进行训练，得到目标U-net++网络，还包括：
7.根据权利要求6所述的基于神经网络的图像分割方法，其特征
8.根据权利要求7所述的基于神经网络的图像分割方法，其特征在于，每个所述残差模块包括两个网络层，所述设定阈值为92%。
9.一种电子设备，所述电子设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8中任意一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1至8任意一项所述的方法。
...【技术特征摘要】
1.一种基于神经网络的图像分割方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于神经网络的图像分割方法，其特征在于，所述对所述待分割图像执行数据增强，包括：
3.根据权利要求2所述的基于神经网络的图像分割方法，其特征在于，所述对所述待分割图像执行数据增强，还包括：
4.根据权利要求3所述的基于神经网络的图像分割方法，其特征在于，所述采用平滑的渐进式训练方法，使用平滑参数α，对五层深度的所述初始u-net++网络进行训练，得到目标u-net++网络，包括：
5.根据权利要求4所述的基于神经网络的图像分割方法，其特征在于，所述采用平滑的渐进式训练方法，使用平滑参数α，对五层深度的所述初始u-net++网络进行训练，得到目标u-net++网络，还包括：
6.根据权利要求5所述的基于神经网络的图像分割方法，其特...
【专利技术属性】
技术研发人员：乔淦，陈凯，王亮，许晓伟，林锋，
申请(专利权)人：北京首信科技股份有限公司，
类型：发明
国别省市：
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。