基于改进PSPNet的语义分割模型.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114119974A(43)申请公布日2022.03.01(21)申请号202111328227.5(22)申请日2021.11.10(71)申请人中国石油大学（华东）地址266580山东省青岛市黄岛区长江西路66号(72)发明人郑秋梅徐林康(51)Int.Cl.G06V10/26(2022.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书3页附图4页(54)发明名称基于改进PSPNet的语义分割模型(57)摘要本发明提出基于改进PSPNet的语义分割算法，解决PSPNet对于小目标与物体边缘分割效果差，提高网络的分割精度。其包括以下步骤：1)以ResNet50为基础添加改进的通道注意力模块作为主干特征提取网络，充分提取图像浅层特征信息；2)将金字塔池化模块(PPM)的四种全局池化由1×1、2×2、3×3、4×4改为1×1、2×2、4×4、8×8，同时对后三种池化模块添加改进的空间注意力模块，来融合提取的浅层特征信息建立加强特征提取网络。3)将四种深层特征图上采样与浅层特征图拼接，利用双线性插值恢复至输入图片大小，根据损失函数为每个像素分类，利用自适应时刻估计方法(Adam)优化求解模型；4)用预训练后的网络模型对输入图片提取特征，送入到改进后的PSPNet网络中的金字塔池化模块进行预测。CN114119974ACN114119974A权利要求书1/2页1.一种基于改进PSPNet的语义分割方法，其特征在于，包含如下步骤：1)以ResNet50为基础添加改进的通道注意力模块作为主干特征提取网络，充分提取图像浅层特征信息；2)将金字塔池化模块(PPM)的四种全局池化由1×1、2×2、3×3、4×4改为1×1、2×2、4×4、8×8，同时对后三种池化模块添加改进的空间注意力模块，来融合提取的浅层特征信息建立加强特征提取网络。3)将四种深层特征图上采样与浅层特征图拼接，利用双线性插值恢复至输入图片大小，根据损失函数为每个像素分类，利用自适应时刻估计方法(Adam)优化求解模型；4)用预训练后的网络模型对输入图片提取特征，送入到改进后的PSPNet网络中的金字塔池化模块进行预测。2.如权利要求1所述的一种基于改进PSPNet的语义分割模型算法，其特征在于：所述步骤1)构建以ResNet50为基础并添加通道注意力模块作为主干特征提取模块，具体步骤为：S11)将输入图片大小为473×473×3的图片先进行三次卷积操作再进行最大池化，生成119×119×128的特征图；将119×119×128的特征图放入ResNet的第一层中生成119×119×256的特征图，并在此层添加通道注意力模块，计算特征图的通道权重并与该特征图相乘；将119×119×256的特征图放入ResNet的第二层中生成60×60×512的特征图，并在此层添加通道注意力模块，计算特征图的通道权重并与该特征图相乘；将60×60×512的特征图放入ResNet的第三层中生成60×60×1024的特征图，并在此层添加通道注意力模块，计算特征图的通道权重并与该特征图相乘；将60×60×1024的特征图放入ResNet的第四层中生成60×60×2048的特征图，并在此层添加通道注意力模块，计算特征图的通道权重并与该特征图相乘；S12)通道注意力模块是将输入的特征图分别进行平均池化和最大池化，生成两个大小为1×1×C(C为通道数)的特征图，将特征图利用自制力机制进行通道权值的计算。通过自注意力机制计算出的权值能充分体现通道间的自相关性，同时利用注意力机制使得主干网络的特征提取能力得到提升。3.如权利要求1所述的一种基于改进PSPNet的语义分割模型算法，其特征在于：所述步骤2)，具体步骤为：S21)将经过主干网络计算出的60×60×2048特征图，分别池化成1×1×2048、2×2×2048、4×4×2048、8×8×2048的深层特征图。S22)将2×2×2048、4×4×2048、8×8×2048三种特征图分别放入空间注意力模块中计算得到形如H×W×1(H、W为三种分辨率)空间权值信息，再分别与这三种特征图相乘。S23)空间注意力模块是把输入的特征图进一个平均池化，生成H×W×1的特征图，随后利用伪一、二、三阶伪希尔伯特曲线遍历特征图，将二维特征图降维到一维向量，再利用自注意力机制计算空间上的权值。通过本发明，能使得特征图降维后像素间的语义信息不会断开，利于自注意力机制的计算，使得加强特征提取网络的特征提取能力进一步提升。4.如权利要求1所述的一种基于改进PSPNet的语义分割模型算法，其特征在于：所述步骤3)具体步骤为：将上一步骤中的四种特征图1×1×204