(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210304835.0 (22)申请日 2022.03.23 (66)本国优先权数据 202111410039.7 2021.1 1.25 CN (71)申请人 哈尔滨工程大 学 地址 150001 黑龙江省哈尔滨市南岗区南 通大街145号哈尔滨工程大学科技处 知识产权办公室 (72)发明人 苏丽　陈禹升　 (51)Int.Cl. G06V 10/26(2022.01) G06V 10/46(2022.01) G06V 10/80(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于空间分布注意力的船舶实例分割 方法 (57)摘要 本发明提供一种基于空间分布注意力的船 舶实例分割方法， 包括以下步骤： 步骤一： 图像的 特征提取； 步骤二： 获取网格的分类预测和位置 敏感动态卷积核； 步骤三、 计算实例的相对关系 空间分布注意力； 步骤四、 生 成分割掩码特征； 步 骤五、 生成最终的实例分割掩码。 本发明可以有 效的增强特征图中的实例信息， 并减少背景信息 的干扰， 同时加快了网络训练的速度。 权利要求书1页 说明书4页 附图2页 CN 114581670 A 2022.06.03 CN 114581670 A 1.一种基于空间分布 注意力的船舶实例分割方法， 其特 征是： 包括以下步骤： 步骤一： 图像的特 征提取； 步骤二： 获取网格的分类预测 和位置敏感动态卷积核； 步骤三、 计算实例的相对关系空间分布 注意力； 步骤四、 生成分割掩码特 征； 步骤五、 生成最终的实例分割掩码。 2.根据权利要求1所述的一种基于空间分布注意力的船舶实例分割方法， 其特征是： 所 述步骤一具体为： 将任意大小的二维图像输入到残差卷积特征提取网络获得4个Stage的多尺度特征， 为 了充分利用不同Stage的信息， 通过使用特征金字塔网络将富含语义信息的高层特征和包 含细节信息的底层特征不断融合， 获得不同尺度上都具有丰富语义信息的特征图， 用以对 图像中不同尺度的实例进行区分。 3.根据权利要求1所述的一种基于空间分布注意力的船舶实例分割方法， 其特征是： 所 述步骤二具体为： 将每层输出的特征金字塔特征通过双线性插值获取SxS大小的网格特征表示S2个位置 的实例信息， 通过叠加卷积 网络来不 断聚合特征， 最终获取S*S*C大小的预测， 来代表每个 位置实例存在的概 率。 同样利用双线性插值获取的SxS特征来构建动态卷积核生成网络， 不同的是输入特征 在通道维度上扩充了两维度的x和y相对位置信息， 并叠加和分类网络相同数目的卷积来聚 合特征信息， 最终每层获得S2个动态卷积核。 4.根据权利要求1所述的一种基于空间分布注意力的船舶实例分割方法， 其特征是： 所 述步骤三具体为： 将步骤一中产生的网格特征图进行注意力建模， 获取q、 k、 v特征并用其计算不同网格 之间的相互关系， 最终叠加到原输入的网格特征上， 来获取更加清晰的实例分布的网格特 征。 5.根据权利要求1所述的一种基于空间分布注意力的船舶实例分割方法， 其特征是： 所 述步骤四具体为： 将步骤一中产生的不同尺度的多阶段金字塔特征图和步骤四中产生的具有实例分布 信息的注 意力特征相叠加， 并统一卷积上采样到原图大小的1/4， 最 终将不同阶段的特征相 加并用1*1卷积融合 为最终的mask分割特 征。 6.根据权利要求1所述的一种基于空间分布注意力的船舶实例分割方法， 其特征是： 所 述步骤五具体为： 将步骤二产生的位置敏感动态卷积核作用于步骤四产生的分割特征上， 针对每个卷积 核产生一个实例掩码的预测同时和步骤二中实例的分类的预测一 一对应。权　利　要　求　书 1/1 页 2 CN 114581670 A 2一种基于空间分布注意力的船舶实例分割方 法 技术领域 [0001]本发明属于计算机视觉的图像分割领域， 涉及到一种基于基于空间分布注意力的 船舶实例分割方法。 背景技术 [0002]图像的实例分割是计算机视觉的基础问题， 是目标检测任务和语义分割任务的结 合。 给定一个输入的图像， 实例分割需要确定图像中所有物体的位置和语义类别并进行像 素级的分割。 例如， 对于船舶图像输入需要对其中的所有船舶像素进 行分割标记， 同时还需 区分不同船舶的像素， 标记为船1、 船2。 [0003]图像实例分割算法主要分为两阶段算法和单阶段算法， 其中二阶段算法以Mask   R‑CNN为原型， 多采用先区域筛选后 分割的范式进行， 精度较高但速度较慢， 不适于实时的 分割任务， 而 单阶段算法不采用区域候选， 因此大大加快了实例分割的速度， 易于应用到实 际项目中来。 SOLOv2作为性能较好的单阶段算法在精度和速度上都有显著的优势。 由于 SOLOv2根据位置来划分图像中的实例并针对每个实例产生一个全图大小的分割掩码， 导致 难以有效的抑制背 景的干扰， 同时不易区分图像中特征相似的实例。 此外， SOLOv2训练时间 过长、 收敛较慢的问题也亟 待解决。 [0004]发明目的 [0005]本发明主要解决的问题是针对SOLOv2用于船舶图像实例分割任务出现的误分割 背景问题和相似实例之间出现的误分割问题的一种基于基于空间分布注意力的船舶实例 分割方法。 [0006]本发明的目的是这样实现的： [0007]一种基于空间分布 注意力的船舶实例分割方法， 包括以下步骤： [0008]步骤一： 图像的特 征提取； [0009]步骤二： 获取网格的分类预测 和位置敏感动态卷积核； [0010]步骤三、 计算实例的相对关系空间分布 注意力； [0011]步骤四、 生成分割掩码特 征； [0012]步骤五、 生成最终的实例分割掩码。 [0013]进一步的， 所述 步骤一具体为： [0014]将任意大小的二维图像输入到残差卷积特征提取网络获得4个Stage的多尺度特 征， 为了充分利用不同Stage的信息， 通过使用特征金字塔网络将富含语义信息的高层特征 和包含细节信息的底层特征不断融合， 获得不同尺度上都具有丰富语义信息的特征图， 用 以对图像中不同尺度的实例进行区分。 [0015]进一步的， 所述 步骤二具体为： [0016]将每层输出的特征金字塔特征通过双线性插值获取SxS大小的网格特征表示S2个 位置的实例信息， 通过叠加卷积网络来不断聚合特征， 最终获取S*S*C大小的预测， 来代表 每个位置实例存在的概 率。说　明　书 1/4 页 3 CN 114581670 A 3