【技术实现步骤摘要】
本专利技术涉及深度学习，特别是涉及一种基于深度学习的民族服饰图案语义分割方法及系统。
技术介绍
1、
2、
3、
4、
5、现有对于图像的提取普遍使用学习模型对图像进行特征提取，由于民族服饰图案的细节繁多，对于较为复杂的民族服饰图案，其边缘往往复杂多变，难以准确地进行分割并完整呈现。因此，亟需一种能够对服饰上的图案元素进行准确分割的技术手段。
技术实现思路
1、有鉴于此，本专利技术提供了一种基于深度学习的民族服饰图案语义分割方法及系统，以实现对服饰上的图案元素进行准确分割。
2、为此，本专利技术提供了以下技术方案：
3、本专利技术公开了一种基于深度学习的民族服饰图案语义分割方法，包括：
4、s1、构建民族服饰图案数据集；
5、s2、对所述数据集中的民族服饰图像进行预处理；
6、s3、利用两个卷积神经网络cnn对图像和边缘图像分别进行特征提取并融合特征；
7、s4、利用注意力机制模块对图像进行特征提取；
8、s5、采用注意力门控机制对所述卷积神经网络提取的特征和所述注意力机制模块提取的特征在网络的上采样模块中进行自适应的特征融合，将图片逐渐恢复到输入的分辨率大小；
9、s6、利用融合特征图像构建和训练模型，并利用训练好的模型进行民族服饰图像语义分割。
10、进一步地，所述构建民族服饰图案数据集包括：
11、利用图像采集
12、对所述民族服饰图案数据集进行图片标注；
13、利用语义分割相关的工具包，生成标注好的民族服饰图案数据集每一张图片对应的分割图，用来训练模型。
14、进一步地，所述图像预处理包括：
15、对图像进行随机亮度和对比度调整；
16、利用高斯模糊法处理图像；
17、使用随机水平翻转、随机垂直翻转、随机应用平移、缩放和旋转变换对输入图片进行数据增强；
18、使用canny边缘检测算法提取图像边缘得到边缘图。
19、进一步地，利用卷积和注意力机制模块对图像进行特征提取，包括：模型对输入的每个部分赋予不用的权重，抽取出关键及重要的信息。
20、进一步地，利用融合特征图像构建和训练模型，包括：
21、利用训练集中的图像数据构建模型，预设模型损失值和迭代阈值；
22、利用验证集中的图像数据训练模型，对整体的参数持续调整，直到模型的loss值和迭代次数达到设定的阈值为止；
23、模型训练完成后，计算测试集中各类别的精度，得出模型的平均精度。
24、进一步地，采用注意力门控机制对所述卷积神经网络提取的特征和所述注意力机制模块提取的特征在网络的上采样模块中进行自适应的特征融合，包括：
25、将不同尺度大小的特征图通过concat操作进行连接。
26、进一步地，使用的注意力网络为空间注意力，通过使用移位窗口变换器swintransformer模块，根据其局部-全局注意力机制对图片进行特征提取。
27、本专利技术还提供了一种基于深度学习的民族服饰图案语义分割系统，包括：
28、数据集构建模块，构建民族服饰图案数据集；
29、预处理模块，对所述数据集中的民族服饰图像进行预处理；
30、特征提取模块，利用两个卷积神经网络cnn对图像和边缘图像分别进行特征提取并融合特征；
31、注意力特征提取模块，利用注意力机制模块对图像进行特征提取；
32、特征融合模块，采用注意力门控机制对所述卷积神经网络提取的特征和所述注意力机制模块提取的特征在网络的上采样模块中进行自适应的特征融合，将图片逐渐恢复到输入的分辨率大小；
33、语义分割模块，利用融合特征图像构建和训练模型，并利用训练好的模型进行民族服饰图像语义分割。
34、本专利技术的优点和积极效果：
35、1)本专利技术图片预处理过程中，对每张图片进行对每张图片进行随机亮度和对比度调整、高斯模糊、色域变化等操作，丰富了图片的背景，增加了训练场景多样性的同时，去除噪音，增强了图像数据，缓解了在实际的应用中光照条件，服装褶皱等外界原因带来的部分干扰，增强了模型的泛化能力和鲁棒性。
36、2)本专利技术图片预处理过程中对处理后的图片进一步使用canny边缘检测算法提取图像边缘得到边缘图，将预处理图片和边缘图片一同输入网络，针对民族服饰图案繁多的细节和复杂变的边缘，加入这一处理其边缘的完整度和准确度有了进一步的提高。
37、3)本专利技术采用注意力网络的特征提取，模型对输入的每个部分赋予不用的权重，抽取出加关键及重要的信息，使模型做出更准确的判断，同时不会对模型的计算和存储带来更大的开销，提升了模型的分割精度，保证了分割速度。
38、4)本专利技术利用卷积神经网络和注意力模块联合进行特征提取，图像增强等技术，增强了细节特征，增强了分割模型对于民族服饰图案的分割能力，有效缓解了对于民族服饰图案语义分割中纹理细节易丢失，图案形状轮廓分割不准确等问题，实现像素级的民族服饰图案语义分割。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的民族服饰图案语义分割方法，其特征在于，包括：
2.根据权利要求1所述的一种基于深度学习的民族服饰图案语义分割方法，其特征在于，所述构建民族服饰图案数据集包括：
3.根据权利要求1所述的一种基于深度学习的民族服饰图案语义分割方法，其特征在于，所述图像预处理包括：
4.根据权利要求1所述的一种基于深度学习的民族服饰图案语义分割方法，其特征在于，利用卷积和注意力机制模块对图像进行特征提取，包括：模型对输入的每个部分赋予不用的权重，抽取出关键及重要的信息。
5.根据权利要求1所述的一种基于深度学习的民族服饰图案语义分割方法，其特征在于，利用融合特征图像构建和训练模型，包括：
6.根据权利要求1所述的一种基于深度学习的民族服饰图案语义分割方法，其特征在于，采用注意力门控机制对所述卷积神经网络提取的特征和所述注意力机制模块提取的特征在网络的上采样模块中进行自适应的特征融合，包括：
7.根据权利要求1所述的一种基于深度学习的民族服饰图案语义分割方法，其特征在于，使用的注意力网络为空间注意力，通过使用移
8.一种基于深度学习的民族服饰图案语义分割系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于深度学习的民族服饰图案语义分割方法，其特征在于，包括：
2.根据权利要求1所述的一种基于深度学习的民族服饰图案语义分割方法，其特征在于，所述构建民族服饰图案数据集包括：
3.根据权利要求1所述的一种基于深度学习的民族服饰图案语义分割方法，其特征在于，所述图像预处理包括：
4.根据权利要求1所述的一种基于深度学习的民族服饰图案语义分割方法，其特征在于，利用卷积和注意力机制模块对图像进行特征提取，包括：模型对输入的每个部分赋予不用的权重，抽取出关键及重要的信息。
5.根据权利要求1所述的一种基于深度学习的民族服饰图案语义分割...
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。