基于通道注意力与金字塔卷积融合的语义分割方法与流程

技术特征：
1.基于通道注意力与金字塔卷积融合的语义分割方法，其特征在于，具体按照以下步骤实施：步骤1，将数据库中的训练图像输入到resnet50网络中，提取图像的特征；步骤2，在步骤1中的resnet50网络的最后一层添加金字塔卷积模块，分别捕获局部特征与全局特征；步骤3，将步骤2获取的局部特征和全局特征进行融合，获取融合的特征信息；步骤4，将步骤3获取的融合的特征信息输入到通道注意力模块中，获取加强特征图；步骤5，将步骤3获取的融合的特征与步骤4获得的加强特征图进行融合；步骤6，将步骤5融合后的特征进行上采样得到分割图像。2.根据权利要求1所述的基于通道注意力与金字塔卷积融合的语义分割方法，其特征在于，步骤1中提取图像的特征的计算表达式为：f＝f(w
c
*x)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)式(1)中：x表示数据库中的训练图像，w
c
表示resnet50网络中的整体参数，f(
·
)表示对图像提取特征。3.根据权利要求1所述的基于通道注意力与金字塔卷积融合的语义分割方法，其特征在于，步骤2的具体过程为：步骤2.1，在resnet50网络的最后一层添加金字塔卷积局部特征提取模块，捕获局部特征；步骤2.1.1，将步骤1中提取图像的特征通过1*1的卷积使维数降到512维；步骤2.1.2，将步骤2.1.1降维的特征分成不同的组数分别按照卷积核为9*9、7*7、5*5、3*3的尺寸进行卷积；步骤2.1.3，将步骤2.1.2卷积处理的特征进行卷积核为1*1的尺寸进行卷积，得到局部特征；步骤2.2，在resnet50网络的最后一层添加金字塔卷积的全局特征提取模块，捕获全局特征；步骤2.2.1，采用自适应平均池化将步骤1中提取图像的特征的尺寸减少至9*9；步骤2.2.2，将步骤2.2.1减小后的特征通过1*1的卷积将特征映射降到512维；步骤2.2.3，将步骤2.2.2降维的特征分成不同的组数分别按照卷积核为9*9、7*7、5*5、3*3的尺寸进行卷积；步骤2.2.4，将步骤2.2.3卷积处理的特征进行卷积核为1*1的尺寸进行卷积，得到全局特征。4.根据权利要求3所述的基于通道注意力与金字塔卷积融合的语义分割方法，其特征在于，步骤2.1.2和步骤2.2.3中卷积核为9*9所对应的特征组数为16，卷积核为7*7所对应的特征组数为8，卷积核为5*5所对应的特征组数为4，卷积核为3*3所对应的特征组数为1。5.根据权利要求1所述的基于通道注意力与金字塔卷积融合的语义分割方法，其特征在于，步骤3中融合的特征信息的表达式为：式(4)中：f1为得到的局部特征，f2为得到的全局特征，f1为融合的特征信息。
6.根据权利要求1所述的基于通道注意力与金字塔卷积融合的语义分割方法，其特征在于，步骤4的具体过程为：步骤4.1，将步骤3获取的融合的特征信息输入到通道注意力模块，获取通道注意力图，即影响每个通道的相对因子，表达式为：式(5)中，x
ji
表示第i个通道对第j个通道的影响，a
i
表示第i个通道的特征图，a
j
表示第j个通道的特征图；步骤4.2，通过步骤4.1得到的通道注意力图与步骤1提取图像的特征，计算得到加强特征图；式(6)中，x
ji
表示第i个通道对第j个通道的影响，a
i
表示第i个通道的特征图，a
j
表示第j个通道的特征图，β为权重因子，初始化为0。7.根据权利要求1所述的基于通道注意力与金字塔卷积融合的语义分割方法，其特征在于，步骤5中融合方式为：式(7)中，f1为步骤3中融合的特征信息，e为步骤4中加强特征图。8.根据权利要求1所述的基于通道注意力与金字塔卷积融合的语义分割方法，其特征在于，步骤6的具体过程为：将步骤5融合后的特征采用反卷积操作在每两个像素之间增加空像素，使处理后的特征图尺寸与训练图像尺寸相同，得到图像分割结果。

技术总结
本发明公开了基于通道注意力与金字塔卷积融合的语义分割方法，具体为：步骤1，将数据库中的训练图像输入到ResNet50网络中，提取图像的特征；步骤2，在步骤1中的ResNet50网络的最后一层添加金字塔卷积模块，分别捕获局部特征与全局特征；步骤3，将步骤2获取的局部特征和全局特征进行融合，获取融合的特征信息；步骤4，将步骤3获取的融合的特征信息输入到通道注意力模块中，获取加强特征图；步骤5，将步骤3获取的融合的特征与步骤4获得的加强特征图进行融合；步骤6，将步骤5融合后的特征进行上采样得到分割图像。本发明解决了现有分割方法精确度低的问题。确度低的问题。确度低的问题。


技术研发人员：郑元林 刘春霞 廖开阳 陈兵 丁天淇 黄港 谢雨林 张新会 钟崇军 李宏锦 解博
受保护的技术使用者：西安理工大学
技术研发日：2021.11.17
技术公布日：2022/3/7