基于多尺度池化建模的伪装物体实例分割方法、装置及系统

本发明涉及图像分割，特别是涉及基于多尺度池化建模的伪装物体实例分割方法、装置及系统。

背景技术：

1、根据生物学家的有关研究表明，伪装生物与其周围环境具有高度的相似性，这使得伪装物体的相关视觉任务相比普通物体更具挑战性。近年来，随着伪装物体检测方向的发展，伪装物体实例分割任务也在逐渐发展。

2、目前，伪装物体实例分割任务要求算法模型能够在实例级上理解图像中的伪装语义信息，并从图像中分割出伪装物体的所属区域。

3、同时研究发现，在多尺度池化建模技术的应用下，提取图像中伪装物体在不同尺度下的细节信息，包括：纹理、形状和边缘等，能够进一步提升算法模型对于伪装物体的信息理解能力，从而提升模型的分割性能。

技术实现思路

1、为了解决现有技术的不足，本发明提供了基于多尺度池化建模的伪装物体实例分割方法、装置及系统；上述基于多尺度池化建模的伪装物体实例分割方法可用于检测图片中的伪装物体并将其实例级像素分割出来。用户提供一张图像，算法会自动分割出图像中包含有伪装物体的实例级像素区域。

2、第一方面，本发明提供了一种基于多尺度池化建模的伪装物体实例分割方法；

3、获取待分割图像；使用带有实例级标签的伪装物体数据对模型进行监督训练，通过所述监督训练得到待分割图像的多尺度特征的提取结果；

4、基于所述多尺度特征的提取结果，对待分割图像中的伪装物体利用多尺度池化方式进行处理，得到高分辨率掩码特征和包含全局信息的实例感知结果；

5、基于所述实例感知结果，利用融合空间注意力的实例归一化方法聚焦所述高分辨掩码特征，输出模型的预测实例结果。

6、第二方面，本发明提供了一种基于多尺度池化建模的伪装物体实例分割系统；

7、基于多尺度池化建模的伪装物体实例分割系统，包括：

8、多尺度特征获取模块，其被配置为：获取待分割图像；使用带有实例级标签的伪装物体数据对模型进行监督训练，通过所述监督训练得到待分割图像的多尺度特征的提取结果；

9、多尺度特征处理模块，其被配置为：基于所述多尺度特征的提取结果，对待分割图像中的伪装物体利用多尺度池化方式进行处理，得到高分辨率掩码特征和包含全局信息的实例感知结果；

10、模型输出预测模块，其被配置为：基于所述实例感知结果，利用融合空间注意力的实例归一化方法聚焦所述高分辨掩码特征，输出模型的预测实例结果。

11、第三方面，本发明提供了一种基于多尺度池化建模的伪装物体实例分割装置，包括处理器及存储介质；

12、所述存储介质用于存储指令；

13、所述处理器用于根据所述指令进行操作以执行第一方面所述的步骤。

14、第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面所述方法的步骤。

15、与现有技术相比，本发明的有益效果是：

16、上述基于多尺度池化建模的伪装物体实例分割方法，包括如下操作：获取待分割图像；使用带有实例级标签的伪装物体数据对模型进行监督训练，通过所述监督训练得到待分割图像的多尺度特征的提取结果；基于所述多尺度特征的提取结果，对待分割图像中的伪装物体利用多尺度池化方式进行处理，得到高分辨率掩码特征和包含全局信息的实例感知结果；基于所述实例感知结果，利用融合空间注意力的实例归一化方法聚焦所述高分辨掩码特征，输出模型的预测实例结果。

17、在上述操作过程中，在实例级水平上挖掘图像中的伪装物体处理时，首先用户提供一张图像，算法会分割出包含伪装物体在图像中的像素区域。具体地，之所以采用金字塔池化transformer是因为多尺度特征提取有利于模型更好地探索图像中伪装物体的信息；之所以采用池化学习transformer是因为自适应平均池化学习有助于模型保留不同尺度上更多的全局信息；

18、具体地，之所以采用多尺度互补特征池化模块，是因为以互补和池化的方式融合相邻特征有利于多尺度信息的充分融合；随后采用融合空间注意力的实例归一化模块，是因为充分探索高分辨率掩码特征的空间信息有利于模型更准确地预测出伪装物体实例。

19、本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

技术特征：

1.一种基于多尺度池化建模的伪装物体实例分割方法，其特征在于，包括：

2.如权利要求1所述的一种基于多尺度池化建模的伪装物体实例分割方法，其特征在于，使用带有实例级标签的伪装物体数据对模型进行监督训练，通过所述监督训练得到待分割图像的多尺度特征的提取结果，具体包括：

3.如权利要求1所述的一种基于多尺度池化建模的伪装物体实例分割方法，其特征在于，基于所述多尺度特征的提取结果，对待分割图像中的伪装物体利用多尺度池化方式进行处理，得到高分辨率掩码特征和包含全局信息的实例感知结果，具体包括：

4.如权利要求3所述的一种基于多尺度池化建模的伪装物体实例分割方法，其特征在于，所述池化学习transformer结构，包括：编码器、多尺度特征池化操作器和解码器；

5.如权利要求4所述的一种基于多尺度池化建模的伪装物体实例分割方法，其特征在于，所述多尺度互补特征池化模块的内部结构包括：第一输入端、第二输入端、第三输入端和第四输入端以及多个加法器；

6.如权利要求5所述的一种基于多尺度池化建模的伪装物体实例分割方法，其特征在于，所述ppm模块，包括：一条残差分支和四条侧分支；

7.如权利要求6所述的一种基于多尺度池化建模的伪装物体实例分割方法，其特征在于，基于实例感知结果，利用融合空间注意力的实例归一化方法聚焦高分辨掩码特征，输出模型预测实例结果；具体包括：

8.一种基于多尺度池化建模的伪装物体实例分割装置，其特征在于，包括处理器及存储介质；

9.一种基于多尺度池化建模的伪装物体实例分割系统，其特征在于，包括：

10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，该程序被处理器执行时实现权利要求1～7任一项所述方法的步骤。

技术总结
本发明公开了一种基于多尺度池化建模的伪装物体实例分割方法、装置及系统，其中方法包括：获取待分割图像；使用带有实例级标签的伪装物体数据对模型进行监督训练，通过监督训练得到待分割图像的多尺度特征的提取结果；基于多尺度特征的提取结果，对待分割图像中的伪装物体利用多尺度池化方式进行处理，得到高分辨率掩码特征和包含全局信息的实例感知结果；基于实例感知结果，利用融合空间注意力的实例归一化方法聚焦高分辨掩码特征，输出模型的预测实例结果。本发明的技术方案能解决现有实例分割技术在伪装图像数据中分割性能较差的问题。

技术研发人员：李臣,焦铬
受保护的技术使用者：衡阳师范学院
技术研发日：
技术公布日：2024/1/13