买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中南大学

摘要：本发明提供了一种基于非对称卷积多层次注意网络的微镜头分割方法，用于对光学微镜头的准确姿态识别，且其包括基于光学微透镜所采集得到的数据，建立一个逐像素标记的光学微透镜数据集，并将该光学微透镜数据集命名为单帧微透镜目标数据集；基于单帧微透镜目标数据集，采用非对称卷积多层次注意网络对光学微镜头进行精确分割检测。本发明通过首先建立一个逐像素标记的光学微透镜数据集，并将该光学微透镜数据集命名为单帧微透镜目标数据集SFMT，以为后续提出的卷积神经网络提供数据支持；然后利用嵌入式多尺度非对称卷积模块MACM和多层次注意模块MIAM，提出了一种非对称卷积多层次注意网络ACMANet来实现微镜头的精确分割检测。

主权项：1.一种基于非对称卷积多层次注意网络的微镜头分割方法，其特征在于，包括以下步骤：步骤一、基于光学微透镜所采集得到的数据，建立一个逐像素标记的光学微透镜数据集，并将该光学微透镜数据集命名为单帧微透镜目标数据集；步骤二、基于单帧微透镜目标数据集，采用非对称卷积多层次注意网络对光学微镜头进行精确分割检测，所述非对称卷积多层次注意网络包括基于U-net网络模型的嵌入式多尺度非对称卷积模块和两个多层次注意模块；且所述非对称卷积多层次注意网络的具体操作方式为：在U-net网络模型下采样的F2-F5阶段均嵌入多尺度非对称卷积模块，以获取光学微镜头所采集得到的图像的多尺度语义特征；将包含了重要的全局信息特征的特征映射F5作为后续上采样的初始引导区域，以特征映射F5为初始值的上采样U2-U4也均嵌入多尺度非对称卷积模块；多层次注意模块将U-net网络模型的下采样阶段和U-net网络模型的上采样阶段相互连接，以将光学微透镜的关键通道特征和详细位置信息传递到所输出的特征图中，从而增加特征图中相应的详细位置信息和关键通道特征的权重；所述多尺度非对称卷积模块包括由k×k、1×k、k×1、3×k、k×3组成的三个并行层的卷积核，其中，k＝3，5；其中，基于U-net网络模型的嵌入式多尺度非对称卷积模块的过程为：在U-net网络模型下采样的F2-F5阶段均嵌入多尺度非对称卷积模块；以特征映射F5为初始值的上采样U2-U4也均嵌入多尺度非对称卷积模块；所述非对称卷积多层次注意网络的操作过程具体方式为：1将输入图像Fin传递给多尺度非对称卷积模块中的第一个并行层的卷积核F31、多尺度非对称卷积模块中的第二个并行层的卷积核F51以及多尺度非对称卷积模块中的第三个并行层的卷积核F53，再将输入图像Fin分别在F31、F51、F53中进行卷积，得到第一个并行层的卷积结果F3′1、第二个并行层的卷积结果F5′1和第三个并行层的卷积结果F5′3；F3′1、F5′1、F5′3的计算公式如下式所示： 其中：Fin为输入图像，且Fin选自为F1,F2,F3,F4中任意一个；Fout为输出图像,其中，当Fout＝F∈B,2CW2,H2时为下卷积输出图像，当Fout＝F∈B,C,H,W时为上卷积输出图像；为矩阵乘法；为矩阵逐元加法；BN为整批规范化；convk×k、conv1×k、convk×1、conv3×k、convk×3分别表示为用于执行卷积的内核大小；2将第一个并行层的卷积结果F3′1、第二个并行层的卷积结果F5′1和第三个并行层的卷积结果F5′3相乘，得到输出图像Fout；输出图像Fout的计算公式如下式所示： 其中，当Fout＝F∈B,2CW2,H2时，其输出图像Fout表示为下卷积输出图像，当Fout＝F∈B,C,H,W时，其输出图像Fout表示为上卷积输出图像；所述多层次注意模块分为像素级注意力机制和计算机视觉通道域注意力机制。

全文数据：

权利要求：

百度查询： 中南大学 一种基于非对称卷积多层次注意网络的微镜头分割方法