【技术实现步骤摘要】
一种基于改进FastFCN的图像分割方法
[0001]本专利技术涉及图像分割方法,特别涉及一种基于改进FastFCN的图像分割方法,并且应用在了医学领域的皮肤病变图像分割中。
技术介绍
[0002]全卷积神经网络(FCN)是深度学习应用在图像分割的代表作,是一种端到端(end to end)的图像分割方法,让网络做像素级别的预测直接得出分割图。因为FCN网络中所有的层都是卷积层,故称为全卷积网络。全卷积神经网络主要使用了三种技术:
[0003]1、卷积化(Convolutional);
[0004]2、上采样(Upsample);
[0005]3、跳跃结构(Skip Layer)。
[0006]FCN对图像进行像素级的分类,从而解决了语义级别的图像分割(semantic segmentation)问题。与经典的CNN在卷积层之后使用全连接层得到固定长度的特征向量进行分类(全联接层+softmax输出)不同,FCN可以接受任意尺寸的输入图像,采用反卷积层对最后一个卷积层的feature map进行上采样,使它恢复到输入图像相同的尺寸,可以对每个像素都产生了一个预测,同时保留了原始输入图像中的空间信息,最后在上采样的特征图上进行逐像素分类。
[0007]但FCN主干网络中常常使用扩展卷积来获得高分辨率的特征图,这会增加计算复杂度和内存占用。因此,学者提出了FastFCN网络,使用一种新型的联合上采样模块JPU(Joint Pyramid Upsampling)以取代扩张卷积,该方法 ...
【技术保护点】
【技术特征摘要】
1.一种基于改进FastFCN的图像分割方法,其特征在于,包括如下步骤:步骤1、选取ISIC2018数据集作为实验数据,对数据预处理,数据充分打乱划分测试集和训练集,并将数据进行增强后输入;步骤2、构建双重并行非对称卷积模块提取非线性特征;所述的双重并行非对称卷积模块由两个串联连接的并行非对称卷积模块组成;步骤3、构建串行空洞空间金字塔池化模块获取多尺度特征;步骤4、将非对称卷积模块、串行空洞空间金字塔池化模块、普通空洞空间金字塔池化模块、双重注意力CBAM模块以及瓶颈层融入子模块中,构建语义文本信息子模块和轻量级的语义文本信息子模块;步骤5、将语义文本信息子模块和轻量级的语义文本信息子模块嵌入到编码器结构优化后的FastFCN网络中,构建改进后的FastFCN网络;步骤6、对构建的所述改进后的FastFCN网络进行多尺度监督辅助训练,得到所需分割网络;步骤7、测试集图像经过数据增强后输入步骤5得到的分割网络,通过翻转测试输出分割图。2.根据权利要求1所述的一种基于改进FastFCN的图像分割方法,其特征在于:所述步骤2中,构建双重并行非对称卷积模块提取非线性特征,具体步骤为:双重并行非对称卷积模块由两个串联连接的并行非对称卷积模块组成,而单个并行非对称卷积模块采用双分支并联连接的结构,分为竖直支路和水平支路;其中竖直支路的结构依次为:第一层为3*1的DOConv卷积层,提取竖直方向的特征;第二层为BN层,控制梯度爆炸以及防止梯度消失;第三层为PRelu层,激活非线性特征;而水平支路的结构除了在第一层使用DOConv(1*3)卷积层,其余部分与竖直支路相同;然后将竖直支路与水平支路的输出通过特征图相加的方式合并后,作为并行非对称卷积模块的输出。3.根据权利要求1所述的一种基于改进FastFCN的图像分割方法,其特征在于:所述步骤3中,构建串行空洞空间金字塔池化模块获取多尺度特征;具体步骤为:具有四分支并行连接的结构,假设各分支的输入通道数为m,四条分支的具体情况如下:第1条分支采用直连的方式,不做任何处理,该分支的输入输出通道数均为m;第2条分支采用串联1个3*3,dilation=3的DO
‑
Conv卷积层+BN层+PReLU层组合的方式,该分支的输入输出通道数均为m不变;第3条分支采用串联2个3*3,dilation=3的DO
‑
Conv卷积层+BN层+PReLU层组合的方式;该分支的输入通道数为m,分别经过第1、2个3*3,dilation=3的DO
‑
Conv卷积层后,输出通道数先增加到2m,后减少到m;第4条分支采用串联3个3*3,dilation=3的DO
‑
Conv卷积层+BN层+PReLU层组合的方式;该分支的输入通道数为m,在经过第1、2、3个3*3,dilation=3的DO
‑
Conv卷积层时,输出通道数先增加到3m,然后减少到2m,最后到m;最后将四条分支的输出结果通过concat的方式进行融合,得到串行空洞空间金字塔池化模块的最终输出,输出通道数为4m。4.根据权利要求1所述的一种基于改进FastFCN的图像分割方法,其特征在于:所述步骤4中,将非对称卷积模块、串行空洞空间金字塔池化模块、双重注意力CBAM模块以及瓶颈层融入子模块中,构建语义文本信息子模块;具体步骤为:4
‑
1.首先运用瓶颈层,使用1*1的DO
‑<...
【专利技术属性】
技术研发人员:巫笠平,马玉良,张启忠,孟明,
申请(专利权)人:杭州电子科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。