一种图像识别分割方法技术

本申请涉及一种图像识别分割方法，对输入的静态图片经过分层Transformer编码器结构，通过添加的PfAAM、SPPCSPC模块和特征加强模块，对图像进行特征提取和特征增强，得到多个具有不同分辨率的特征；经过All‑MLP解码器结构，用于融合这些多级特征以生成最终的语义分割掩码；本申请综合考虑到全局信息和局部信息，得到更精准的预测结果。经过实验验证，本申请具有精度高、成本低等优点。

【技术实现步骤摘要】

本申请涉及计算机视觉，具体地，涉及一种图像识别分割方法。

技术介绍

1、图像分割一直是计算机视觉领域的一个基本问题。图像分割又可分为语义标签的语义分割、或对单对象的实例分割，总体而言在对目标进行像素分割的过程中，实际是对分类更为苛刻的要求，许多图像分割算法早已被人们使用，较早期的算法，如阈值，直方图捆绑，k集群，分水岭方法等；更先进的算法，如主动轮廓，图削减，条件和马尔可夫随机场，基于稀疏的方法等。

2、近年来，深度学习模型产生了一种新的方法生成具有显著性能改进的图像分割模型，在流行的基准测试上获得最高的精度率。基于卷积神经网络(convolutional neuralnetworks，cnn)的方法是深度学习社区中最成功和应用最广泛的架构之一，特别是在计算机视觉任务中cnn的主要计算优势是，一层中的所有接受域都共享权值，导致参数的数量明显少于完全连接的神经网络。然而现有的图像识别分割方法存在识别精度不高、计算复杂、小尺度难识别分割的问题。

技术实现思路

1、为了克服现有技术中的至少一个不足，本申本文档来自技高网...

【技术保护点】

1.一种图像识别分割方法，其特征在于，包括：

2.如权利要求1所述的方法，其特征在于，所述四个Transformer Block分别为Transformer Block1、Transformer Block2、Transformer Block3、Transformer Block4，所述PfAAM注意力模块设置在所述Transformer Block1和所述Transformer Block2之间；

3.如权利要求1所述的方法，其特征在于，所述特征加强模块用于实现以下功能：

4.如权利要求1所述的方法，其特征在于，在模型训练过程中，采用的损失函数包括...

【技术特征摘要】

1.一种图像识别分割方法，其特征在于，包括：

2.如权利要求1所述的方法，其特征在于，所述四个transformer block分别为transformer block1、transformer block2、transformer block3、transformer block4，所述pfaam注意力模块设置在所述transformer block1和所述transformer block2之间；

3.如权利要求1所述的方法，其特征在于，所述特征加强模块用于实现以下功能：

4.如权利要求1所述的方法，其特征在于，在模型训练过程中，采用的损失函数包括交叉熵损失函数和dice损失函数。

5.一种图像识别分割装置，其特征在于，包括：

6.如权利要求5所述的装置，其特征在于，所述四个transformer block分别为transfor...

【专利技术属性】
技术研发人员：高全力，刘鑫，邵连合，邓雅妮，
申请(专利权)人：西安工程大学，
类型：发明
国别省市：