一种基于注意力机制的图像分割方法及系统技术方案

本发明专利技术公开了一种基于注意力机制的图像分割方法及系统，首先利用第一卷积层、第二卷积层、第三卷积层和第四卷积层分别对输入图像进行特征提取处理并获得第一特征图、第二特征图、第三特征图和第四特征图，再利用第一注意力模型分别对第一特征图和第二特征图进行特征增强处理；本发明专利技术实现了具有采用注意力机制提高神经网络对输入图像的理解及处理能力并使得卷积神经网络能自适应地关注图像中关键信息的功能，且通过第一注意力模型能将通道特征与输入图像相结合并使得图像中显著区域特征增强及弱化不显著区域特征，不仅避免了不必要的维度升降运算，还显著减少了参数数量和模型的运算次数，提高了图像分割的性能和效率，适合被广泛推广和使用。

【技术实现步骤摘要】

本专利技术涉及图像分割，具体涉及一种基于注意力机制的图像分割方法及系统。

技术介绍

1、近年来，深度学习技术已成为计算机视觉的重要贡献者，并被广泛应用于图像分割方法的研究中。卷积神经网络(convolutional neural network,cnn)作为深度学习技术的杰出代表，以其强大的特征表示和全局建模能力受到了广泛关注。与传统的图像分割方法相比，基于cnn的深度图像分割方法可以自动提取图像中的语义信息，并对数据进行表征学习，有效克服了传统方法人工提取特征的局限性。这些基于编码器-解码器的深度cnn结构在许多复杂的医学图像分割数据集上取得了令人满意的结果，验证了它们在学习不同感兴趣区域的区分方面的有效性。

2、目前，基于编码器-解码器结构的网络普遍容易丢失感兴趣区域特征，且虽然多层卷积的叠加和连续池化操作可以扩大接收域及增强局部特征之间的交互作用，但是会导致部分特征的丢失，而不完整的特征也会影响网络的分割性能，同时现有的主干特征提取网络大多参数量较为庞大，导致需要消耗大量的计算资源和时间；因此，需要设计一种基于注意力机制的图像分割方法及系本文档来自技高网...

【技术保护点】

1.一种基于注意力机制的图像分割方法，其特征在于：包括以下步骤，

2.根据权利要求1所述的一种基于注意力机制的图像分割方法，其特征在于：步骤A，利用第一卷积层、第二卷积层、第三卷积层和第四卷积层分别对输入图像进行特征提取处理并获得第一特征图、第二特征图、第三特征图和第四特征图，其中所述第一卷积层采用1×1卷积，所述第二卷积层采用膨胀率为6的3×3卷积，所述第三卷积层采用膨胀率为12的3×3卷积，第四卷积层采用膨胀率为18的3×3卷积。

3.根据权利要求2所述的一种基于注意力机制的图像分割方法，其特征在于：步骤B，利用第一注意力模型分别对第一特征图和第二特征图进行特...

【技术特征摘要】

1.一种基于注意力机制的图像分割方法，其特征在于：包括以下步骤，

2.根据权利要求1所述的一种基于注意力机制的图像分割方法，其特征在于：步骤a，利用第一卷积层、第二卷积层、第三卷积层和第四卷积层分别对输入图像进行特征提取处理并获得第一特征图、第二特征图、第三特征图和第四特征图，其中所述第一卷积层采用1×1卷积，所述第二卷积层采用膨胀率为6的3×3卷积，所述第三卷积层采用膨胀率为12的3×3卷积，第四卷积层采用膨胀率为18的3×3卷积。

3.根据权利要求2所述的一种基于注意力机制的图像分割方法，其特征在于：步骤b，利用第一注意力模型分别对第一特征图和第二特征图进行特征增强处理并获得第一特征增强图和第二特征增强图，其中第一注意力模型具体特征增强处理步骤如下，

4.根据权利要求3所述的一种基于注意力机制的图像分割方法，其特征在于：步骤c，利用第二注意力模型对第三特征图进行特征加权处理并获得第三特征增强图，具体步骤如下，

5.根据权利要求4所述的一种基于注...

【专利技术属性】
技术研发人员：王灿，张卫，臧娴，
申请(专利权)人：金陵科技学院，
类型：发明
国别省市：