[发明专利]一种基于深度学习的小尺度目标部件分割方法

权利要求书

1.一种基于深度学习的小尺度目标部件分割方法，其特征在于，包括下列步骤：

步骤1：构建小尺度目标数据集：

该数据集包含分割数据集、超分辨重建数据集以及目标检测数据集三部分，每部分数据集都进行标注和核对并通过数据增强对各部分数据集进行扩充；

步骤2：构建小尺度目标部件分割网络模型，并利用反向传播算法和梯度下降法训练分割网络模型，通过模型预测值与实际值之间代价函数反馈调节分割网络模型的权重参数，反复迭代直到代价函数小于设定阈值，得到训练好的小尺度目标部件分割网络模型；

步骤3：基于超分辨重建数据集对选取的超分辨重建网络进行训练，训练完成后，将其作为超分辨率重建模块；基于分割数据集对选取的目标检测网络进行训练，获取到目标检测模型，基于目标检测模型构建小尺度目标裁剪模块，小尺度目标裁剪模块的输入为目标检测模型获取的目标检测结果，并按照指定的修剪策略对目标检测结果进行裁剪处理，得到裁剪区域；

步骤4，对待进行小尺度目标部件分割的原始待分割图像进行图像预处理，以使得预处理后的图像尺寸与超分辨率重建模块的输入相匹配；

将图像预处理后的原始待分割图像输入超分辨率重建模块进行超分辨重建，得到待分割的超分辨重建结果并输入目标检测模型和小尺度目标裁剪模块，获取待分割图像的裁剪区域；

将待分割图像的裁剪区域输入训练好的小尺度目标部件分割网络模型中，以获取待分割图像的裁剪区域分割图；

将裁剪区域分割图还原成原始待分割图像的分割图，获取小目标分割结果。

2.如权利要求1所述的方法，其特征在于，所述步骤1包括：

步骤1.1：基于实际业务场景收集小尺度目标图片，并将收集到的图片以目标大小进行分类，分成小尺度目标图片和普通尺度目标图片，并将两者按照1：1进行混合构建出小尺度目标数据集原始图片；

步骤1.2：采用双三次插值处理，将小尺度目标图片分别按照1/2、1/3、1/4进行下采样，构建出超分辨重建数据集；

步骤1.3：对各图片中的目标进行目标框标注，并为每个目标框设置类别标签；

步骤1.4：将待分割目标的不同关键部件轮廓以不同颜色点予以标注，经转换处理后形成包含部件标注结果的图片，构建出分割数据集，并对分割数据集中的图片进行数据增强处理。

3.如权利要求1所述的方法，其特征在于，所述步骤2中，小尺度目标部件分割网络模型包括两部分，编码器和解码器，其中，编码器用于提取图像语义特征信息，编码器内部包括两个子网络：骨干网络和全局上下文头网络,其中，骨干网络的输入为小尺度目标部件分割网络模型的输入图像，骨干网络用于输出一系列特征图，记为特征图Fi，其中i∈[1,5]，且特征图Fi分别经一个1×1的卷积核的卷积层后输入到第i层的解码器中，作为该层解码器的输入特征图，其中，解码器包括6层，第0层解码器的输入特征图为小尺度目标部件分割网络模型的输入图像直接经过1×1的卷积核所得到的特征图，并将特征图F5作为全局上下文头网络的输入，通过全局上下文头网络生成每一层解码器的权重并送入对应的解码器中，对于第5层解码器，将本层权重与本层的输入特征图进行计算合并，得到第5层的解码结果，从第4层开始，将第j+1层的解码结构上采样后，作为第j层动态带补丁卷积的补丁权重，与第j层解码的输入特征图进行动态带补丁卷积操作，将动态带补丁卷积操作结构与第j层解码器的权重进行计算合并，得到第j层的解码结果，其中，j＝4,3,2,1,0；

基于第0层的解码结果得到最终分割图。