【技术实现步骤摘要】
本专利技术属于计算机视觉及人工智能，具体是涉及基于特征融合transformer的伪装物体分割方法。
技术介绍
1、伪装物体分割的目的是对“完美”嵌入到周围环境中的伪装对象进行分割，具有广泛的实际应用。伪装是一种逃避侦查和识别的生物策略。动物经常用材料和颜色来隐藏。伪装的能力与人类感知的方式密切相关，在过去的几十年里引起了越来越多的研究关注。前景和背景难以区分的类似场景在日常生活中很常见。例如医学诊断中的息肉和肺部感染分割，自动驾驶中的行人和障碍物检测，濒危物种的发现和保护等。
2、然而，伪装目标分割是一项极具挑战性的任务，因为伪装策略成功地欺骗了视觉感知系统。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。现有的方法大多基于cnn网络提取特征，借助纹理线索来增强模型感知能力，在前景和背景较为复杂的情况下，难以准确分割伪装物体位置，并对于伪装物体边缘细节分割效果较差。并且，由于感受野的限制，这些方法中的卷积操作主要是获取局部信息，而对全局信息的关注较少。如何在保留局部特征的同时提取全局特征，并巧妙地将它们融合在一起，目前仍然是一个很大的难题。其次，根据最近的研究，边缘定位是伪装物体分割任务的关键因素之一。当前的深度学习模型在准确定位伪装对象的边缘位置方面仍存在很大的不足。
技术实现思路
1、本专利技术要解决的技术问题是提供基于特征融合transformer的伪装物体分割方法，用以实现对伪装物体的准确分割，解决现有方法在复杂场景下难以分割伪装物体位置、对于伪装
2、为了解决上述技术问题，本专利技术提供基于特征融合transformer的伪装物体分割方法，包括：采集带有伪装物体的图像，在计算机中将采集的图像通过缩放和裁剪的几何变换处理为一组小尺寸图像，然后批量加载到训练好的伪装物体分割模型，实现对伪装物体的分割；
3、所述伪装物体分割模型是以transformer网络为基础网络，编码器包括四个依次相连的stage，每个stage均包括三个transformer模块，解码器包括依次相连的层级特征融合模块和物体与边缘特征融合模块。
4、作为本专利技术的基于特征融合transformer的伪装物体分割方法的改进：
5、所述编码器的四个stage各自输出的特征图分别通过reshape操作进行特征重塑后获得的特征f1、f2、f3和f4作为所述层级特征融合模块的输入。
6、作为本专利技术的基于特征融合transformer的伪装物体分割方法的进一步改进：
7、所述层级特征融合模块的公式表示为：
8、
9、式中，up(·)表示双线性上采样，cbr(·)表示卷积、batchnorm和relu操作，cat(·)表示拼接。
10、作为本专利技术的基于特征融合transformer的伪装物体分割方法的进一步改进：
11、所述物体与边缘特征融合模块公式表示为：
12、
13、作为本专利技术的基于特征融合transformer的伪装物体分割方法的进一步改进：
14、所述伪装物体分割模型的训练过程为：
15、(1)使用包括伪装物体的边缘轮廓表示的数据集作为训练数据集；
16、(2)训练使用的伪装物体分割模型包括所述解码器、所述层级特征融合模块以及在所述物体与边缘特征融合模块中引入边缘轮廓表示；
17、(3)将训练数据集中图片均通过缩放和裁剪处理为一组小尺寸图像，然后批量输入训练使用的伪装物体分割模型进行训练。
18、作为本专利技术的基于特征融合transformer的伪装物体分割方法的进一步改进：
19、所述物体与边缘特征融合模块中引入边缘轮廓表示具体为：
20、
21、其中，fe为训练集图片的伪装物体的边缘轮廓表示。
22、作为本专利技术的基于特征融合transformer的伪装物体分割方法的进一步改进：
23、所述训练数据集使用cod10k、camo和chameleon三个数据集。
24、本专利技术的有益效果主要体现在：
25、1、本专利技术的基于特征融合transformer的伪装物体分割模型使用transformer为基础网络，借助自注意力机制可以更好的建立全局依赖关系，在编码器中使用多层transformer模块，可以有效的提取深层多尺度特征，使网络更好的使用前景和背景复杂的情况；
26、2、本专利技术的基于特征融合transformer的伪装物体分割模型中，层级特征融合模块采用层级连接的方式，更好的融合相邻特征信息，增强了网络对图像前景背景的辨别能力；
27、3、本专利技术在训练基于特征融合transformer的伪装物体分割模型时，引入边缘轮廓表示，利用训练数据集中图片包含的边缘轮廓表示与层级特征融合模块的输出特征结合，使得训练好的伪装物体分割模型更有效地提取伪装物体边缘细节特征，精确分割伪装物体边缘细节，提升伪装物体分割性能。
28、本专利技术中涉及的引用如下：
29、[1]fan d p,ji g p,sun g,et al.camouflaged object detection[c]//proceedings of the ieee/cvf conference on computer vision and patternrecognition.2020:2777-2787.
30、[2]pang y,zhao x,zhang l,et al.multi-scale interactive network forsalient object detection[c]//proceedings of the ieee/cvf conference oncomputer vision and pattern recognition.2020:9413-9422.
31、[3]zhai q,li x,yang f,et al.mutual graph learning for camouflagedobject detection[c]//proceedings of the ieee/cvf conference on computervision and pattern recognition.2021:12997-13007.
32、[4]lv y,zhang j,dai y,et al.simultaneously localize,segment and rankthe camouflaged objects[c]//proceedings of the ieee/cvf conference oncomputer vision and pattern recognition.2021:11591-11601.
33、[5]mei h,ji 本文档来自技高网...
【技术保护点】
1.基于特征融合Transformer的伪装物体分割方法，其特征在于：包括采集带有伪装物体的图像，在计算机中将采集的图像通过缩放和裁剪的几何变换处理为一组小尺寸图像，然后批量加载到训练好的伪装物体分割模型，实现对伪装物体的分割；
2.根据权利要求1所述的基于特征融合Transformer的伪装物体分割方法，其特征在于：
3.根据权利要求2所述的基于特征融合Transformer的伪装物体分割方法，其特征在于：
4.根据权利要求3所述的基于特征融合Transformer的伪装物体分割方法，其特征在于：
5.根据权利要求4所述的基于特征融合Transformer的伪装物体分割方法，其特征在于：
6.根据权利要求5所述的基于特征融合Transformer的伪装物体分割方法，其特征在于：
7.根据权利要求6所述的基于特征融合Transformer的伪装物体分割方法，其特征在于：
【技术特征摘要】
1.基于特征融合transformer的伪装物体分割方法，其特征在于：包括采集带有伪装物体的图像，在计算机中将采集的图像通过缩放和裁剪的几何变换处理为一组小尺寸图像，然后批量加载到训练好的伪装物体分割模型，实现对伪装物体的分割；
2.根据权利要求1所述的基于特征融合transformer的伪装物体分割方法，其特征在于：
3.根据权利要求2所述的基于特征融合transformer的伪装物体分割方法，其...
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。