CN116205927B 一种基于边界增强的图像分割方法 （西安电子科技大学）

本发明公开了一种基于边界增强的图像分模型的解码器包括双向互增强模块和一个多尺间维度以及通道维度对增强特征图进行注意力征图突出能够更加有效提高分割结果准确率的2基于编码器_解码器框架建立边界增强的图像分对所述图像分割网络模型进行训练，并利用训练好的网络模型对输入图像进行分割，其中，所述图像分割网络模型的编码器包括第一特征所述边界提取模块用于提取所述第一特征图的边界特征，同时提取输所述第二特征提取模块用于对所述第一特征图和所述边界特征图进行多尺度特征提所述图像分割网络模型的解码器包括双向互增强模块和一个多尺度注意力聚合模块；所述双向互增强模块用于对所述不同尺度的特征图进行处理，得到不同尺度的增强特征所述多尺度注意力聚合模块用于基于尺度维度、空间维度以及通第一个拉普拉斯算子用于提取所述第一特征图的边界特征，第卷积层用于对所述边界特征进行处理，并在模型训练阶所述ResNet_101第一阶段包含3个残差块，所述ResNet_101第二阶段包含4个残差块，所述第一增强模块首先采用两个卷积层对具有第一尺寸的输入特征图进行处理，以获3相应的，所述第二增强模块首先采用两个卷积层对具有第二尺Sigmoid激活层对具有第二尺寸的输入特征图进行处理，以获得具有第一尺寸的第五特征所述第一增强模块还用于将所述第二特征图和所述第五特征图相所述第二增强模块还用于将所述第三特征图和所述第四特征图相二阶段和ResNet_101第四阶段的输出所述多尺度融合子网络用于对所述不同尺度的增强特征图进行尺寸变换和特所述尺度维度注意力子网络用于对级联后的特征图在尺度维度上进行全局平均池化，所述空间维度注意力子网络用于对尺度维度注意力处理后的特征图在空间维度上分所述通道维度注意力子网络用于对空间维度注意力处理后的特征图在通道维度上进4[0003]传统的图像分割通常采用基于聚类和随机森林等传统机器学习算法来获取图像[0004]例如，JianlongHou等人在“BSNet:DynamicHybridGradientConvolutionBasedBoundary_SensitiveNetworkforRemoteSensingImageSegmentation”(IEEETransactionsonGeoscienceandRemoteSensing,vol.60,pp.1_22,2022)一文中提出了一种基于动态混合梯度卷积和协调敏感的边界敏感网络。ChengliPeng等人在“CrossFusionNet:AFastSemanticSegmentationNetworkforSmall_ScaleSemanticInformationCapturinginAerialScenes”(IEEETransactionsonGeoscienceandRemoteSensing,vol.60,pp.1_13,2022)一文中提出了一种提取多尺度语义信息的交叉融合网络。AijinLi等人在“MultitaskSemanticBoundaryAwarenessNetworkfor在“CCANet:Class_ConstraintCoarse_to_FineAttentionalDeepNetworkforSubdecimeterAerialImageSemanticSegmentation”(IEEETransactionsonGeoscienceandRemoteSensing,vol.60,pp.1_20,2022)一文中提出了一种类约束粗到RemoteSensing,vol.60,pp.1_13,2022)一文中提出同尺度的特征图在上采样后直接进行融合，未考虑到不同尺度特征对分割结果的影响程5[0015]所述第二特征提取模块用于对所述第一特征图和所述边界特征图进行多尺度特[0016]所述图像分割网络模型的解码器包括双向互增强模块和一个多尺度注意力聚合[0019]本发明提供的基于边界增强的图像分割方法一方面在对6[0028]对图像分割网络模型进行训练，并利用训练好的网络模[0033]图像分割网络模型的解码器包括双向互增强模块和一个多尺[0044]优选的，本实施例以基于ResNet_101的卷积神经网络架构作为第二特征提取模[0045]ResNet_101第一阶段包含3个残差块，ResNet_101第二阶段包含4个残差块，7第四阶段中的下采样均是通过设置阶段中第1个卷积操作的步长[0048]将边界提取模块输出的边界特征图与第一特征提取模块输出的第一特征图进行双向互增强子网络的输入为ResNet_101第二阶段和ResNet_101第四阶段的输出Sigmoid激活层对具有第二尺寸的输入特征图进行处理，以获得具有第一尺寸的第五特征8[0062]将尺寸为H×W×C的处理后特征图(也即第二特征图)与H×W×C的激活后特征图[0063]本实施例通过将ResNet_101第一阶段和ResNet_101第三阶段的特征图输入到一[0066]尺度维度注意力子网络用于对级联后的特征图在尺度维[0067]空间维度注意力子网络用于对尺度维度注意力处理后的特征图在空间维度上分[0068]通道维度注意力子网络用于对空间维度注意力处理后的特征图在通道维度上进[0070]对于级联后的特征图，尺度维度注意力子网络在尺度维[0071]空间维度注意力子网络首先将尺度维度注意力处理后的特征图通过一个卷积层进行处理，然后对处理后的特征图在空间维度上分别进行全局平均池化以及最大值池化，[0072]通道维度注意力子网络首先将空间维度注意力处理后的特征图通过一个卷积层9大小为(1×C×1×1)。然后通过一个全连接合特征