[发明专利]一种轻量化多路径网状图像分割方法、系统和电子设备

权利要求书

1.一种轻量化多路径网状图像分割方法，能够减少深度学习分割方法所需要的计算和存储资源，同时能够使用自动化的组合卷积操作提升深度学习分割方法的性能，所述方法包括训练阶段和推理阶段：

(一)训练阶段包括：

(1)图像预处理：对图像进行归一化处理，将多模态数据拼接成多通道数据，对数据进行清洗，去除无效数据，同时为了强化训练效果，对数据集使用旋转方法进行了数据增强；

(2)构建分割模型，具体步骤包括：

(2-1)将经过预处理的图像数据送入多路径编码器，在多路径编码器部分，使用五个轻量化多路径特征挖掘单元和四个下采样操作对输入数据进行编码操作，编码后的数据去除了噪声并保留了输入数据的有效信息，多路径编码器从顶部到底部，轻量化多路径特征挖掘单元提取的特征通道的数量分别是32、64、128、256、512；

(2-2)将经过步骤(2-1)处理的数据送入多路径解码器中，在多路径解码器中，使用了四个轻量化多路径特征挖掘单元和四个上采样操作单元来对编码信息进行解码操作，使得输出数据可以恢复到原始数据的大小；轻量化多路径特征挖掘单元的结构和多路径编码器中描述的轻量化多路径特征挖掘单元的结构完全一致；为了获得图像的位置信息，多路径编码器中的每一个轻量化多路径特征挖掘单元的输出信息，都被传送到多路径解码器中对应位置的轻量化多路径特征挖掘单元中，多路径解码器中的每一个轻量化多路径特征挖掘单元的输入信息，都是上一层轻量化多路径特征挖掘单元的输出信息的上采样信息和位置信息的拼接；多路径解码器从底部到顶部，轻量化多路径特征挖掘单元提取的特征通道的数量分别是256、128、64、32；

(2-3)为了有效的利用特征的多尺度信息，需要将图像的低维信息和高维信息联合起来；解码器每一层的输出数据首先经过上采样操作恢复到原始的图像尺寸，上采样的倍数分别为八倍、四倍和两倍；又由于解码器每一层的输出特征数量不同，分别为256、128、64和32，八倍上采样后特征通道的数量分别缩小为128、64、32，四倍上采样后特征通道的数量分别缩小为64、32，两倍上采样后特征通道的数量缩小为32；经过阶梯式降低特征通道数量后，获得的特征被拼接起来经过标准卷积操作单元进行特征数量的再次降低，特征通道的数量降低为32，之后，特征通道将经过输出层输出分割结果；

(3)训练分割模型：将清洗后的数据放入分割模型中进行训练，动态更新模型的参数，到达设定的训练次数后保存模型和参数；

(4)软剪枝操作：使用软滤波器剪枝对模型进行进一步的压缩简化，减少分割模型进行推理运算需要的计算和存储资源，抑制模型中存在的过参数化现象，该方法能够以一种软的方式动态的修剪滤波器，即减掉的滤波器仍然参与下一次的迭代更新；

(5)模型微调：由于经过软剪枝操作之后，网络模型的精度损失过多，故需要对网络模型进行进一步的深度训练；

(二)推理阶段包括：

(1)获取图像：获取需要进行分割处理的图像；

(2)预处理图像：对图像进行归一化处理，将多模态数据拼接成多通道数据；

(3)分割图像：将经过预处理的图像数据送入经过微调后的分割模型中进行分割推理操作。

2.一种轻量化多路径网状图像分割系统，其特征在于：该系统包括数据采集器、数据存储器、数据处理器；其中，数据采集器可以采集图像数据；数据存储器中包括一种轻量化多路径网状图像分割方法程序；所述轻量化多路径网状图像分割方法程序被所述数据处理器执行时实现如权利要求1所述的一种轻量化多路径网状图像分割方法的各个步骤。

3.一种轻量化多路径网状图像分割电子设备，其特征在于：所述图像分割电子设备包括程序存储器、数据存储器、嵌入式神经网络处理器NPU、显示终端、输入设备、电源设备和总线，各设备通过总线完成相互间的通信；其中，所述程序存储器存储有可被一个或多个嵌入式神经网络处理器执行的指令，完成如权利要求1所述的一种轻量化多路径网状图像分割方法；所述数据存储器存储有被嵌入式神经网络处理器处理前的数据以及处理后的数据；所述嵌入式神经网络处理器执行程序存储器中保存的指令，指令被嵌入式神经网络处理器执行时，使嵌入式神经网络处理器执行如权利要求1所述的一种轻量化多路径网状图像分割方法；所述显示终端显示用于对数据的可视化展示与操作；所述输入设备用于对设备的操作与控制；所述电源设备用于对以上设备进行供电。