申请/专利权人：湘潭大学

申请日：2022-06-17

公开（公告）日：2024-04-16

公开（公告）号：CN114972760B

主分类号：G06V10/26

分类号：G06V10/26;G06V10/774;G06V10/764;G06V10/82;G06V10/30;G06V10/80;G06N3/0464;G06N3/048;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2022.09.16#实质审查的生效;2022.08.30#公开

摘要：本发明公开了一种基于多尺度注意力增强U‑Net的电离图自动描迹方法，引入多尺度特征图跳跃连接以及注意力增强网络，将浅层具有位置信息的特征图与深层具有高级语义信息的特征图结合起来，以对低信噪比的电离图进行分割。本发明将注意力门模块和多尺度特征图跳跃连接结构融合进U‑Net语义分割网络中，特征图通过注意力门模块大小不变，通过多尺度特征图跳跃连接时，利用最大池化操作进行下采样，将特征图大小与注意力门模块输出特征图大小保持一致，这种设计方法，在不增加大量参数的情况下，显著提升了网络分割精度。

主权项：1.一种基于多尺度注意力增强U-Net的电离图自动描迹方法，其特征在于，引入多尺度特征图跳跃连接以及注意力增强网络，将浅层具有位置信息的特征图与深层具有高级语义信息的特征图结合起来，通过改进的语义分割U-Net网络对低信噪比的电离图进行分割；具体包括以下步骤：一、构建多尺度注意力增强U-Net语义分割网络：语义分割网络采用U型网络结构，语义分割网络的左臂由四个编码器层构成，每个编码器层均包括两个第一卷积核、两个第一ReLU激活层和最大池化层；对应的，语义分割网络的右臂由四个解码器层构成，解码器层包括多尺度特征图跳跃连接结构、注意力门模块、两个第二卷积核、两个第二ReLU激活层；所述步骤一的多尺度注意力增强U-Net语义分割网络中，每层解码器前引入的注意力门模块具有两个输入，一个为同层编码器层跳跃连接的特征图，包含同层编码器层对应的编码器中所有上下文和空间信息，第二个为上一个解码器层上采样得到的特征图，作为此解码器层的门控信号；上一个解码器层上采样的特征图与同层编码器层跳跃连接的特征图相加，经过1×1的卷积操作，利用Sigmoid函数得到加权特征图，利用加权特征图与同层编码器层跳跃连接特征图相乘，得到最后的注意力特征图；二、训练数据集的预处理：在进行网络训练之前，对齐图片坐标原点，其余补零，将电离图的大小统一调整到512×512的像素大小，将所得数据集分为训练集和测试集；三、对电离图进行编码：将训练集的电离图输入语义分割网络的编码器层，利用两个第一卷积核进行特征提取，使通道数翻倍，得到第一个特征图，进行下采样，在编码器层的最大池化层的作用下，图片大小减半，之后每进入一个编码器层，特征图大小减半，通道数翻倍，经过第四个编码器层特征提取以后，通过中间层，进入解码器层；四、解码得到分割结果：中间层输出的特征图，通过上采样使得图片大小翻倍，进入第一个解码器层，同时与注意力门模块输出的特征图以及经过多尺度特征图跳跃连接结构输出的多尺度特征图相融合，通过拼接经过两个第二卷积核处理使得通道数减半，传递给下一解码器层；经过四个解码器层的解码后，将深层语义信息逐渐恢复为最终的分割结果图。

全文数据：

权利要求：

百度查询： 湘潭大学 基于多尺度注意力增强U-Net的电离图自动描迹方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD