[发明专利]基于轻量级的递归式非局部自注意力的图像分割方法

权利要求书

1.一种基于轻量级的递归式非局部自注意力的图像分割方法，其特征在于，包括以下步骤:

步骤S1:采集人像分割数据，并预处理，得到人像分割数据集；

步骤S2:构建基于轻量级的递归式非局部自注意力的图像分割模型；

步骤S3:基于人像分割数据集，采用二进制交叉熵损失函数并反向传播损失梯度，并根据预设的训练学习率、优化器与学习率策略，训练至模型收敛；

步骤S4:将待测图像进行归一化处理后输入训练后的图像分割模型，得到人像分割图。

2.根据权利要求1所述的基于轻量级的递归式非局部自注意力的图像分割方法，其特征在于，所述步骤S1具体为：

步骤S11:采集人像分割数据集包括作为输入的RGB三通道图像以及作为其对应输出目标的{0,1}二值分割图，其中0代表背景类，1代表目标类；

步骤S12:通过对输入输出执行随机裁剪、缩放、镜像、旋转、输入数值归一化处理，得到增广后的图片数据，即为人像分割数据集。

3.根据权利要求1所述的基于轻量级的递归式非局部自注意力的图像分割方法，其特征在于，所述基于轻量级的递归式非局部自注意力的图像分割模型包括基础架构及特征提取网络、可分离非局部自注意力模块和输出特征映射模块。

4.根据权利要求3所述的基于轻量级的递归式非局部自注意力的图像分割方法，其特征在于，所述基础架构及特征提取网络具体为：采用特征金字塔作为基础架构，包括一个骨架网络及多尺度上采样融合层两部分；骨架网络采用ResNeSt[8]结构,多尺度上采样融合层为自顶向下结构，采用上采样、特征图点加、卷积层实现，并以FPN某一阶段特征层作为输出特征层。

5.根据权利要求3所述的基于轻量级的递归式非局部自注意力的图像分割方法，其特征在于，所述可分离非局部自注意力模块具体为：通过显式方式建模长程特征，获取并处理长程的特征相互依赖关系，进一步融合通过基础架构及特征提取网络的整图级别上下文特征，并将融合重组后的特征送入输出特征映射模块。

6.根据权利要求3所述的基于轻量级的递归式非局部自注意力的图像分割方法，其特征在于，所述输出特征映射模块是由卷积层、批归一化、非线性激活函数组成的基础块堆叠而成的序贯模块，并最终使用一层卷积将通道数映射为1得到中间结果图，并采用双线性插值放大至输入尺寸，最终使用Sigmoid函数将结果映射至[0,1]区间内。