【技術實現步驟摘要】
本專利技術涉及深度學習，特別是涉及一種基于深度學習的民族服飾圖案語義分割方法及系統。
技術介紹
1、
2、
3、
4、
5、現有對于圖像的提取普遍使用學習模型對圖像進行特征提取，由于民族服飾圖案的細節繁多，對于較為復雜的民族服飾圖案，其邊緣往往復雜多變，難以準確地進行分割并完整呈現。因此，亟需一種能夠對服飾上的圖案元素進行準確分割的技術手段。
技術實現思路
1、有鑒于此，本專利技術提供了一種基于深度學習的民族服飾圖案語義分割方法及系統，以實現對服飾上的圖案元素進行準確分割。
2、為此，本專利技術提供了以下技術方案：
3、本專利技術公開了一種基于深度學習的民族服飾圖案語義分割方法，包括：
4、s1、構建民族服飾圖案數據集；
5、s2、對所述數據集中的民族服飾圖像進行預處理；
6、s3、利用兩個卷積神經網絡cnn對圖像和邊緣圖像分別進行特征提取并融合特征；
7、s4、利用注意力機制模塊對圖像進行特征提取；
8、s5、采用注意力門控機制對所述卷積神經網絡提取的特征和所述注意力機制模塊提取的特征在網絡的上采樣模塊中進行自適應的特征融合，將圖片逐漸恢復到輸入的分辨率大小；
9、s6、利用融合特征圖像構建和訓練模型，并利用訓練好的模型進行民族服飾圖像語義分割。
10、進一步地，所述構建民族服飾圖案數據集包括：
11、利用圖像采集
12、對所述民族服飾圖案數據集進行圖片標注；
13、利用語義分割相關的工具包，生成標注好的民族服飾圖案數據集每一張圖片對應的分割圖，用來訓練模型。
14、進一步地，所述圖像預處理包括：
15、對圖像進行隨機亮度和對比度調整；
16、利用高斯模糊法處理圖像；
17、使用隨機水平翻轉、隨機垂直翻轉、隨機應用平移、縮放和旋轉變換對輸入圖片進行數據增強；
18、使用canny邊緣檢測算法提取圖像邊緣得到邊緣圖。
19、進一步地，利用卷積和注意力機制模塊對圖像進行特征提取，包括：模型對輸入的每個部分賦予不用的權重，抽取出關鍵及重要的信息。
20、進一步地，利用融合特征圖像構建和訓練模型，包括：
21、利用訓練集中的圖像數據構建模型，預設模型損失值和迭代閾值；
22、利用驗證集中的圖像數據訓練模型，對整體的參數持續調整，直到模型的loss值和迭代次數達到設定的閾值為止；
23、模型訓練完成后，計算測試集中各類別的精度，得出模型的平均精度。
24、進一步地，采用注意力門控機制對所述卷積神經網絡提取的特征和所述注意力機制模塊提取的特征在網絡的上采樣模塊中進行自適應的特征融合，包括：
25、將不同尺度大小的特征圖通過concat操作進行連接。
26、進一步地，使用的注意力網絡為空間注意力，通過使用移位窗口變換器swintransformer模塊，根據其局部-全局注意力機制對圖片進行特征提取。
27、本專利技術還提供了一種基于深度學習的民族服飾圖案語義分割系統，包括：
28、數據集構建模塊，構建民族服飾圖案數據集；
29、預處理模塊，對所述數據集中的民族服飾圖像進行預處理；
30、特征提取模塊，利用兩個卷積神經網絡cnn對圖像和邊緣圖像分別進行特征提取并融合特征；
31、注意力特征提取模塊，利用注意力機制模塊對圖像進行特征提取；
32、特征融合模塊，采用注意力門控機制對所述卷積神經網絡提取的特征和所述注意力機制模塊提取的特征在網絡的上采樣模塊中進行自適應的特征融合，將圖片逐漸恢復到輸入的分辨率大小；
33、語義分割模塊，利用融合特征圖像構建和訓練模型，并利用訓練好的模型進行民族服飾圖像語義分割。
34、本專利技術的優點和積極效果：
35、1)本專利技術圖片預處理過程中，對每張圖片進行對每張圖片進行隨機亮度和對比度調整、高斯模糊、色域變化等操作，豐富了圖片的背景，增加了訓練場景多樣性的同時，去除噪音，增強了圖像數據，緩解了在實際的應用中光照條件，服裝褶皺等外界原因帶來的部分干擾，增強了模型的泛化能力和魯棒性。
36、2)本專利技術圖片預處理過程中對處理后的圖片進一步使用canny邊緣檢測算法提取圖像邊緣得到邊緣圖，將預處理圖片和邊緣圖片一同輸入網絡，針對民族服飾圖案繁多的細節和復雜變的邊緣，加入這一處理其邊緣的完整度和準確度有了進一步的提高。
37、3)本專利技術采用注意力網絡的特征提取，模型對輸入的每個部分賦予不用的權重，抽取出加關鍵及重要的信息，使模型做出更準確的判斷，同時不會對模型的計算和存儲帶來更大的開銷，提升了模型的分割精度，保證了分割速度。
38、4)本專利技術利用卷積神經網絡和注意力模塊聯合進行特征提取，圖像增強等技術，增強了細節特征，增強了分割模型對于民族服飾圖案的分割能力，有效緩解了對于民族服飾圖案語義分割中紋理細節易丟失，圖案形狀輪廓分割不準確等問題，實現像素級的民族服飾圖案語義分割。
本文檔來自技高網...【技術保護點】
1.一種基于深度學習的民族服飾圖案語義分割方法，其特征在于，包括：
2.根據權利要求1所述的一種基于深度學習的民族服飾圖案語義分割方法，其特征在于，所述構建民族服飾圖案數據集包括：
3.根據權利要求1所述的一種基于深度學習的民族服飾圖案語義分割方法，其特征在于，所述圖像預處理包括：
4.根據權利要求1所述的一種基于深度學習的民族服飾圖案語義分割方法，其特征在于，利用卷積和注意力機制模塊對圖像進行特征提取，包括：模型對輸入的每個部分賦予不用的權重，抽取出關鍵及重要的信息。
5.根據權利要求1所述的一種基于深度學習的民族服飾圖案語義分割方法，其特征在于，利用融合特征圖像構建和訓練模型，包括：
6.根據權利要求1所述的一種基于深度學習的民族服飾圖案語義分割方法，其特征在于，采用注意力門控機制對所述卷積神經網絡提取的特征和所述注意力機制模塊提取的特征在網絡的上采樣模塊中進行自適應的特征融合，包括：
7.根據權利要求1所述的一種基于深度學習的民族服飾圖案語義分割方法，其特征在于，使用的注意力網絡為空間注意力，通過使用移
8.一種基于深度學習的民族服飾圖案語義分割系統，其特征在于，包括：
...【技術特征摘要】
1.一種基于深度學習的民族服飾圖案語義分割方法，其特征在于，包括：
2.根據權利要求1所述的一種基于深度學習的民族服飾圖案語義分割方法，其特征在于，所述構建民族服飾圖案數據集包括：
3.根據權利要求1所述的一種基于深度學習的民族服飾圖案語義分割方法，其特征在于，所述圖像預處理包括：
4.根據權利要求1所述的一種基于深度學習的民族服飾圖案語義分割方法，其特征在于，利用卷積和注意力機制模塊對圖像進行特征提取，包括：模型對輸入的每個部分賦予不用的權重，抽取出關鍵及重要的信息。
5.根據權利要求1所述的一種基于深度學習的民族服飾圖案語義分割...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。