基于迁移学习和注意力机制的伪装图像分割

TN957.52; 不同于常规目标,伪装目标特征模糊、尺度信息复杂多变、检测和分割难度更高.在现有伪装数据集基础上,提出了一种结合迁移学习和有效通道注意力的UNet网络伪装图像分割方法.首先,针对伪装目标特征模糊难以有效提取的问题,在UNet的下采样和上采样过程中,引入一种有效通道注意力机制,在不增加网络参数的同时,提高有效区域的特征权重;并将在ImageNet预训练好的视觉几何组(visual geometry group,VGG)系列网络迁移到UNet网络中,实现特征迁移和参数共享,提高模型的泛化能力,降低训练效果对数据集的依赖,减少训练成本;在训练过程中引入FocalLoss函数,增加难...

Full description

Saved in:
Bibliographic Details
Published in系统工程与电子技术 Vol. 44; no. 2; pp. 376 - 384
Main Authors 吴涛, 王伦文, 朱敬成
Format Journal Article
LanguageChinese
Published 国防科技大学电子对抗学院,安徽合肥230037 01.02.2022
Subjects
伪装图像;图像分割;注意力机制;迁移学习
Online AccessGet full text
ISSN1001-506X
DOI10.12305/j.issn.1001-506X.2022.02.03

Cover

More Information
Summary:TN957.52; 不同于常规目标,伪装目标特征模糊、尺度信息复杂多变、检测和分割难度更高.在现有伪装数据集基础上,提出了一种结合迁移学习和有效通道注意力的UNet网络伪装图像分割方法.首先,针对伪装目标特征模糊难以有效提取的问题,在UNet的下采样和上采样过程中,引入一种有效通道注意力机制,在不增加网络参数的同时,提高有效区域的特征权重;并将在ImageNet预训练好的视觉几何组(visual geometry group,VGG)系列网络迁移到UNet网络中,实现特征迁移和参数共享,提高模型的泛化能力,降低训练效果对数据集的依赖,减少训练成本;在训练过程中引入FocalLoss函数,增加难挖掘样本权重,提高对困难样本关注度;最后通过解码网络得到分割结果.在CHAMELEON、CAMO和COD10K数据集上进行了测试,相比原始算法,性能指标有显著提升.
ISSN:1001-506X
DOI:10.12305/j.issn.1001-506X.2022.02.03