CN114445620B 一种改进Mask R-CNN的目标分割方法 （国网江苏省电力有限公司苏州供电分公司）

全局上下文信息采用一维注意力机制进行特征转换后，将所述转换获得的全局特征融合至ROI采用相互监督的分类损失权重和回归损失权重实现对协调损失函数的构建，以预测最优检测边界粗糙的问题，大幅提高目标分割的准确程2步骤2，对包含ROI区域特征的特征图进行分类损失函所述第一子分支，对从所述特征图中提取的局部特征进行转换和变形，所述第二子分支，对从所述特征图中提取的局部特征进行降维和转换，所述第三子分支，对从所述特征图中提取的局部特征进行降维和转换，所述第四子分支，将从所述特征图中提取的局部特征与所述结果矩阵所述步骤1中对原始图像中的ROI区域特征进行获取的步骤1.2.3，采用感兴趣特征对齐方法ROIAlign提取所述感兴趣区域中的局部区域特所述轻量级注意力机制采用卷积核为5的一维采用协调损失函数分别训练所述ROI区域特征的特征图的分类分支和回归分支，以预3γr和γc分别为回归协调因子和分类协调因子。对实现特征融合后生成的所述目标边界的预测特征进行2层卷积，以生成预测目标边所述掩膜分支对从所述特征图中提取的局部特征进行4层卷积和上采样，并与所述目45ROI区域特征的特征图进行分类损失函数和回归损失函数的计算，并采用相互监督的分类[0017]优选的，采用协调损失函数分别训练所述ROI区域特征的特征图的分类分支和回6支与分类分支相互监督的前提下生成检测框，以及基于边界加强实现边界和掩膜的生成。7[0043]图2为本发明中一种改进MaskR-CNN的目标分割方法中全局上下文信息融合模块[0044]图3为本发明中一种改进MaskR-CNN的目标分割方法中检测框损失函数获取方法[0045]图4为本发明中一种改进MaskR-CNN的目标分割方法中边界增强方法的实施流程[0046]图5为本发明中一种改进MaskR-CNN的目标分割方法实现的目标分割结果与现有技术中的MaskR-CNN实现的目标分割结果用残差网络ResNetXt-101和特征金字塔网络FPN(FeaturePyramidNetwork)生成多个不趣特征对齐方法(ROIAlign)提取感兴趣区域中的局部区域特征，并采用通道相乘方法实[0053]图2为本发明中一种改进MaskR-CNN的目标分割方法中全局上下文信息融合模块[0054]本发明与现有技术的不同之处在于，本发明中增加了全局上下文信息融合模块8金字塔网络各层中的特征{P2，P3，P4，P5}，对其分别进行全局平均池化(GAP，Global中记载的Transform)，可以采用轻量级注意力模块中经常采用的GLU(GatedLinear解为是采用轻量级注意力机制输出的全局上下文特征权重参数与主干网络生成的ROI特征[0059]步骤2，对包含ROI区域特征的特征图进行分类损失函数[0060]图3为本发明中一种改进MaskR-CNN的目标分割方法中检测框损失函数获取方法9[0086]图4为本发明中一种改进MaskR-CNN的目标分割方法中边界增强方法的实施流程[0100]图5为本发明中一种改进MaskR-CNN的目标分割方法实现的目标分割结果与现有技术中的MaskR-CNN实现的目标分割结果的对比图。如图5所示，上述方法应用于COCO支与分类分支相互监督的前提下生成检测框，以及基于边界加强实现边界和掩膜的生成。明的