CN119515899A 基于多尺度感受野特征增强融合的虚拟制片人物抠像方法 （杭州电子科技大学）

基于多尺度感受野特征增强融合的虚拟制本发明公开了基于多尺度感受野特征增强术领域。该方法首先构建一个包括语义估计模块、细节预测模块和语义一细节融合模块的意力的感受野模块调整后两个阶段的特征图的节预测模块对输入图像和中间尺度特征图的融2gg细节预测模块中分别引入结合注意力的感受野模块和特征语义增强模块，对改进后的所述结合注意力的感受野模块以语义估计模块中主干网络输出的最后两个阶段的特pp2.如权利要求1所述基于多尺度感受野特征增强融合的虚拟制片人物抠像方法，其特图s(I)；p所述细节预测模块以输入图像I和主干网络输出的第i阶段的中间特征图Ii的融合结果作为编码器的输入，再通过特征语义增强模块对编码结果D与语义特征图S(I)进行融合增pp所述语义细节融合模块对语义特征图s(I)和细节预测模块的解码结p3.如权利要求1或2所述基于多尺度感受野特4.如权利要求1或2所述基于多尺度感受野特征增强融合;;()表示空洞卷积，M为Astrousconv的个数，C是输入图像I的通道数；flat表示按照通道5.如权利要求4所述基于多尺度感受野特征增强融合的虚拟制片人物抠像方法，其特36.如权利要求4所述基于多尺度感受野特征增强融合的虚拟制片人物抠像方法，其特征在于：所述细节预测模块对输入图像I和特征图I3的融合结果进行不少于4次的卷积操7.如权利要求1或2所述基于多尺度感受野8.如权利要求7所述基于多尺度感受野特征增强融合的虚拟制片人物抠像方法，其特;9.如权利要求8所述基于多尺度感受野特征增强融合的虚拟制片人物抠像方法，其特;;;;采样和高斯模糊处理后的监督信号为L2损失函数；为L1损失函数，pp4[0009]步骤2、构建一个包括语义估计模块、细节预测模块和语义_细节融合模块的5义特征图s(I)。pppp[0021]通过在传统MODNet的基础上引入了结合注意力的感受野模块和特征语义增强模行处理和融合策略，能够在不显著增加计算复杂度的情况下捕捉到更多有用的特征信息，6[0031]P3M_10K数据集是一个专为人像抠图任务设计的大规模数据集，旨在解决复杂背够有效地测试和验证模型在不同情境下的鲁棒[0033]步骤2、构建一个包括语义估计模块、细节预测模块和语义_细节融合模块的[0041]S(I)=conv(concat(conv(Astrousconv(d)*M)*c/5))[0043]其中，Conv代表1*1的卷积层，Concat表示特征图在通道维度的链接，7[0045]Globalpool()表示全局平均池化，FC1(、FC2(表示全连接层，Relu()表示ReLU[0046]所述结合注意力的感受野模块将主干网络输出的最后两个阶段的特征图作为输图S（I对细节预测模块的编码结果D进行特征语义增强，确保模型在全局语义理解的同8p化的应用场景中实现高精度的图像分割，生成最终预测的人像抠图掩码α,实现精确的前p理，作为监督信号G(ag)，采用L2损失LS计算预测值与真实值[0059]ma=dilate-erode(ag)pppp