CN115223080B 一种基于非局部特征聚合神经网络的目标分割方法 （南京师范大学）

号一种基于非局部特征聚合神经网络的目标本发明公开了一种基于非局部特征聚合神2S2：搭建非局部特征聚合神经网络模型，并结合coS4：根据分割质量评估分数判断图像质量，如A1：将得到的小样本数据集输入到非局部特征聚合神经网络模型的一层卷积核大小为5x5的卷积层，可以进一步扩大s化后结果求和与四个尺度的RoI特征求和后的结果相乘得到最终2.根据权利要求1所述的一种基于非局部特征聚合神经网络的目标分割方法，其特征络ResNet50是由一个7x7的输入卷积，经过3x3的最大池化后经过16个残差块，每个残差33.根据权利要求1所述的一种基于非局部特征聚合神经网络的目标分割方法，其特征B1：将得到的特征图输入到RPN通过滑动窗口为每个位置生成9种面积的目标框；经过一个卷积核大小为3x3的卷积，分别经过卷积核大小为1x1输出通道目标框中心点横纵坐标和目标框的长宽，后者得到的结果进行裁剪过滤后经过softmax激作为这个小区域的像素值，依次类推，将49个小区域所得g4.根据权利要求1所述的一种基于非局部特征聚合神经网络的目标分割方法，其特征ggg5.根据权利要求1所述的一种基于非局部特征聚合神经网络的目标分割方法，其特征A4：将候选区域输入到R_CNNHead网络得到目标区域类别分数和边界框46.根据权利要求5所述的一种基于非局部特征聚合神经网络的目标分割方法，其特征C1：将得到的特征图输入到R_CNNHead中进行目标分类以及位置回归状为14x14x256的RoI特征，后7.根据权利要求1所述的一种基于非局部特征聚合神经网络的目标分割方法，其特征8.根据权利要求1所述的一种基于非局部特征聚合神经网络的目标分割方法，其特征D2：将所有的无标签图像输入到目标分割网络中，得到每幅图中9.根据权利要求1所述的一种基于非局部特征聚合神经网络的目标分割方法，其特征56[0003]实例分割是计算机视觉领域的一个经典任务，它将整个码的交并比(MaskIoU)来衡量分割质量，在MaskR_CNN基础上增加MaskIoUHead分支，将[0005]发明目的：为了克服现有技术中人工标7[0016]A4：将候选区域输入到R_CNNHead网络得到目标区域类别分数和边界框回归位ResNet50分为5个阶段，stage1～stage4的输出为[C2,C3,C4,C5]四种不同尺度的特征图，值即目标框中心点横纵坐标和目标框的长宽，后者得到的结果进行裁剪过滤后经过softmax激活函数后可以判断目标框属于前景还是背景，并为属于前景的目标框进行坐标8平均池化后结果求和与四个尺度的RoI特征求和后的结果相乘得gggg是两个可训练的变换函数，通过1×1卷积实现，θ(xi)和p(x)是经过1×1卷积后的输出，[0038]C1：将得到的特征图输入到R_CNNHead中进行目标分类以及位置回归；R_CNN9qq种等价形式的修改均落于本申请所附权利要求所限定量评估分数都大于0.9则这幅图像为高质量图像，反之为低质量图像，低质量图像继[0078]本发明方法的步骤2中非局部特征聚合神经网络模型结构如图2所示，步骤2的具[0083]步骤2.5：将步骤2.3得到的RoI特征和步骤2.4得到的预测掩码输入到MaskIoUHead网络，对真实掩码和预测掩码进行回归，计算预测掩码与真实掩码的交并比，即出通道数为256的卷积层得到M5，将C4也经过同样的卷积操作后与M5进行一次上采样的结数为256的卷积层后得到P2～P5，将P5经过大小为1×1，步长为2的最大池化层后得到P6，[P2,P3,P4,P5,P6]作为后续RPN网络分别经过卷积核大小为1×1输出通道数为36的卷积和卷积核大小为1×1输出通道数为18的结果进行裁剪过滤后经过Softmax函数后可以判断目标框属于前景还是背景，并为属于平均池化后结果求和与四个尺度的RoI特征求和后的结果相乘得gggg是两个可训练的变换函数，通过1×1卷积实现，θ(xi)和p(x)是经过1×1卷积后的输出，长为2的最大池化层，将预测掩码的特征图变成14×14×1，将该特征图与14×14×256的MaskR_CNN分割结果图，图7中最远的三个人(距离越远目标越小)中间那个没有识别