申请/专利权人：北明成功软件(山东)有限公司

申请日：2024-04-28

公开（公告）日：2024-06-25

公开（公告）号：CN118096785B

主分类号：G06T7/10

分类号：G06T7/10;G06T5/50;G06N3/045;G06N3/09

优先权：

专利状态码：有效-授权

法律状态：2024.06.25#授权;2024.06.14#实质审查的生效;2024.05.28#公开

摘要：本发明涉及计算机视觉技术领域，公开了基于级联注意力和多尺度特征融合的图像分割方法及系统，包括：构建数据集；构建图像分割模型，采用训练集和验证集对图像分割模型进行训练，采用测试集对图像分割模型进行测试，得到训练后的图像分割模型；获取待分割遥感图像，将待分割遥感图像，输入到训练后的图像分割模型中，得到遥感图像分割结果；其中，训练后的图像分割模型，采用多尺度多样性特征融合模块，进行上下文信息的融合得到不同尺度的初级特征；还采用级联注意力模块实现特征融合，得到深度特征，采用深度监督模块实现深度特征与不同尺度的初级特征的加权融合，得到最终的预测特征图。模型在自然图像数据上有着非常优秀的分割性能。

主权项：1.基于级联注意力和多尺度特征融合的图像分割方法，其特征是，包括：构建数据集，所述数据集为已知图像分割结果的遥感图像；对数据集，按照设定比例进行划分，得到训练集、验证集和测试集；构建图像分割模型，采用训练集和验证集对图像分割模型进行训练，采用测试集对图像分割模型进行测试，得到训练后的图像分割模型；所述图像分割模型，包括：依次连接的第一卷积层、第二卷积层、第三卷积层、特征图序列化单元、线性嵌入层、级联注意力模块、第一上采样层、深度监督模块；第一卷积层的输出端输出第一特征图，第二卷积层的输出端输出第二特征图，第三卷积层的输出端输出第三特征图，第一、第二和第三特征图均与多尺度多样性特征融合模块的输入端连接，多尺度多样性特征融合模块的输出端分别输出第四、第五和第六特征图；第六特征图经过第二上采样层处理后，得到第七特征图，将第七特征图输入到深度监督模块；第五特征图经过第三上采样层处理后，得到第八特征图，将第八特征图，输入到深度监督模块；第四特征图经过第四上采样层处理后，得到第九特征图，将第九特征图输入到深度监督模块；第一上采样层输出第十特征图，将第十特征图输入到深度监督模块，深度监督模块输出预测结果；所述多尺度多样性特征融合模块，包括：并列的三个分支，第一分支、第二分支和第三分支；所述第一分支，包括：依次连接的第一多样性注意力模块、第一可变形卷积层、第一拼接单元和第四卷积层；所述第一多样性注意力模块的输入值是第一特征图；所述第四卷积层的输出值是第四特征图；所述第二分支，包括：依次连接的第二多样性注意力模块、第二可变形卷积层、第二拼接单元和第五卷积层；所述第二多样性注意力模块的输入值是第二特征图；所述第五卷积层的输出值是第五特征图；所述第三分支，包括：依次连接的第三多样性注意力模块、第三可变形卷积层、第三拼接单元和第六卷积层；所述第三多样性注意力模块的输入值是第三特征图；所述第六卷积层的输出值是第六特征图；其中，第二可变形卷积层的输出端，通过第五上采样层与第一拼接单元的输入端连接；第三可变形卷积层的输出端，通过第六上采样层与第二拼接单元的输入端连接；其中，第四卷积层的输出端，通过第一下采样层与第二拼接单元的输入端连接；第五卷积层的输出端，通过第二下采样层与第三拼接单元的输入端连接；获取待分割遥感图像，将待分割遥感图像，输入到训练后的图像分割模型中，得到遥感图像分割结果；其中，训练后的图像分割模型，采用多尺度多样性特征融合模块，进行上下文信息的融合得到不同尺度的初级特征；还采用级联注意力模块实现特征融合，得到深度特征，采用深度监督模块实现深度特征与不同尺度的初级特征的加权融合，得到最终的预测特征图。

全文数据：

权利要求：

百度查询： 北明成功软件(山东)有限公司 基于级联注意力和多尺度特征融合的图像分割方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD