[发明专利]一种基于U型网络的多目标分割方法及装置

权利要求书

1.一种基于U型网络的多目标分割方法，其特征在于，包括步骤：

S1、对待分割图像进行块分区，得到输入图像；

S2、将所述输入图像输入基于上下文转换网络自注意力机制的编码模块中进行统一的局部语义特征信息的提取，并定位分割目标，得到编码器输出图像；

S3、将所述编码器输出图像与所述编码模块进行局部语义特征信息提取过程中得到的语义特征信息进行融合，并统一所述待分割图像的全局语义特征信息，得到解码器输出图像；

S4、将所述解码器输出图像的不同目标进行映射输出，得到分割结果图。

2.根据权利要求1所述的基于U型网络的多目标分割方法，其特征在于，步骤S2包括：

S21、将所述输入图像进行线性嵌入后输入到两个连续的上下文转换模块中进行表示学习，保持所述输入图像的特征维度和分辨率不变，得到第一多尺度特征；

S22、将所述第一多尺度特征输入块合并层进行下采样，得到第一下采样特征；

S23、将所述第一下采样特征输入到两个连续的上下文转换模块中进行表示学习，保持所述第一下采样特征的特征维度和分辨率不变，得到第二多尺度特征；

S24、将所述第二多尺度特征输入块合并层进行下采样，得到第二下采样特征；

S25、将所述第二下采样特征输入到两个连续的上下文转换模块中进行表示学习，保持所述第二下采样特征的特征维度和分辨率不变，得到第三多尺度特征；

S26、将所述第三多尺度特征输入块合并层进行下采样，得到所述编码器输出图像。

3.根据权利要求2所述的基于U型网络的多目标分割方法，其特征在于，所述块合并层中的执行步骤包括：

将输入块连接在一起，使得图像的分辨率被下采样2倍，同时特征维度增加4倍，得到连接特征；

利用线性层将所述连接特征的特征维度统一为所述输入块的原始特征维度的2倍，得到块合并层输出的下采样特征。

4.根据权利要求2所述的基于U型网络的多目标分割方法，其特征在于，步骤S3包括：

S31、将所述编码器输出图像输入到块扩展层进行上采样，得到第一上采样特征；

S32、将所述第一上采样特征与所述第三多尺度特征输入到两个连续的上下文转换模块中进行融合，得到第一融合特征；

S33、将所述第一融合特征输入到块扩展层进行上采样，得到第二上采样特征；

S34、将所述第二上采样特征与所述第二多尺度特征输入到两个连续的上下文转换模块中进行融合，得到第二融合特征；

S35、将所述第二融合特征输入到块扩展层进行上采样，得到第三上采样特征；

S36、将所述第三上采样特征与所述第一多尺度特征输入到两个连续的上下文转换模块中进行融合，得到第三融合特征；

S37、将所述第三融合特征输入到块扩展层进行上采样，得到所述解码器输出图像。

5.根据权利要求4所述的基于U型网络的多目标分割方法，其特征在于，所述块扩展层中的执行步骤包括：

利用线性层将输入特征的特征维度增加为原始特征维度的2倍；

使用重新排列操作将所述输入特征的分辨率扩展为原始分辨率的2倍，并将所述输入特征的特征尺寸减小到原始特征尺寸的四分之一，得到所述块扩展层的上采样特征。

6.根据权利要求2或4所述的基于U型网络的多目标分割方法，其特征在于，所述上下文转换模块中的执行步骤包括：

分别定义所述上下文转换模块中的键、查询和值；

对k×k空间网格中的所有邻居key进行k×k分组卷积，得到输入图像的静态上下文；

将所述静态上下文和所述查询进行两个连续的卷积，获得注意力矩阵；

将所述注意力矩阵和所有所述值进行聚合，得到动态上下文；

将所述静态上下文和所述动态上下文进行融合，得到所述上下文转换模块的输出特征。

7.根据权利要求1所述的基于U型网络的多目标分割方法，其特征在于，步骤S4包括：

将所述解码器输出图像输入到线性投影层进行映射输出，得到所述分割结果图。