[发明专利]一种基于深度学习的小尺度目标部件分割方法

说明书

本发明公开了一种基于深度学习的小尺度目标部件分割方法，属于图像目标检测和分割技术领域。本发明首先构建小尺度目标数据集，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；针对小尺度目标部位分割任务，设置对应的小尺度目标部件分割网络模型，并以分割数据集为基础对模型进行训练进而获取到最优模型；结合超分辨重建以及目标检测相关技术设置的小尺度目标增强方法，在不影响普通目标分割效果基础上，有针对的提高了分割算法对小尺度目标的分割精度。

技术领域

本发明属于图像目标检测和分割技术领域，具体涉及一种基于深度学习的小尺度目标部件分割方法。

背景技术

语义分割任务基础上发展而来的部件分割任务则是借助于语义分割技术把物体的语义类别信息进一步划分，将物体不同组成部件以不同像素值进行表征，从而形成一张包含物体各个部件信息的部件分割图。比如在军事领域上，把无人机分成机头、机身和负载三部分，地面激光武器借助于部件分割的结果，就可以有针对性对无人机的某一部位(比如机头)实现自动化精准定位和摧毁；在生活领域，把人类图像分成头、头发、上衣、四肢等部分，借助于虚拟现实技术，将衣物部分进行替换，实现虚拟变装，降低顾客换衣成本，提升顾客的购物体验。

当前主流语义分割算法已趋于成熟，对于普通大小的目标已经可以取得较好的分割效果，但对于小尺度目标的部件分割问题，当前主流的算法分割效果并不理想。而小尺度目标(目标的宽和高小于40像素)却在部件分割的实际应用中广泛存在，比如在遥感领域，由于无人机或者卫星传回的图片覆盖范围广，距离目标远，在获取图片中目标构成像素点数量少(比如十几个像素即可代表一片树林，一块可耕地)，分辨率低，因而需要对图像中的所有小目标进行精确的分类，便于监控水域、植被、耕地等资源。在军事领域，所有的军事目标在距离图像摄录设备较远时，都会在图像中以小尺度目标进行呈现，而对小尺度目标的高精度分割，能够很大程度提高武器的远程打击能力和打击精度，进而在实际对敌战场中获得先机。因此提高分割算法对小尺度目标的分割能力，具有广泛的应用前景和现实意义。

发明内容

本发明提供了一种基于深度学习的小尺度目标部件分割方法，解决现有神经网络模型因小目标模糊、尺寸小而出现目标不易分割且分割效果差的技术问题。

本发明采用的技术方案如下：

一种基于深度学习的小尺度目标部件分割方法，包括如下步骤：

步骤1：构建小尺度目标(目标尺寸小于或等于指定尺寸的目标)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；