CN113393476A - 一种轻量化多路径网状图像分割方法、系统和电子设备 - Google Patents
一种轻量化多路径网状图像分割方法、系统和电子设备 Download PDFInfo
- Publication number
- CN113393476A CN113393476A CN202110768828.1A CN202110768828A CN113393476A CN 113393476 A CN113393476 A CN 113393476A CN 202110768828 A CN202110768828 A CN 202110768828A CN 113393476 A CN113393476 A CN 113393476A
- Authority
- CN
- China
- Prior art keywords
- data
- segmentation
- multipath
- light
- path
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000003709 image segmentation Methods 0.000 title claims abstract description 43
- 230000011218 segmentation Effects 0.000 claims abstract description 60
- 238000005065 mining Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000005070 sampling Methods 0.000 claims abstract description 16
- 238000013138 pruning Methods 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims description 22
- 238000013135 deep learning Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 238000003860 storage Methods 0.000 abstract description 10
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000002474 experimental method Methods 0.000 abstract description 2
- 238000013136 deep learning model Methods 0.000 abstract 2
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种轻量化多路径网状图像分割方法、系统和电子设备。其中轻量化多路径网状图像分割方法包括训练阶段和推理阶段，训练阶段分割模型的构建如下所示：首先将处理后的数据送入多路径编码器，使用轻量化多路径特征挖掘单元进行特征挖掘，然后进行下采样操作，该系列操作重复进行多次；然后，将数据送入多路径解码器，对数据进行上采样操作，上采样后的数据送入轻量化多路径特征挖掘单元进行特征挖掘，该系列操作重复进行多次；接着，将多个轻量化多路径特征挖掘单元的输出数据送入特征阶梯单元，输出分割结果；最后，使用软剪枝操作对网络模型进行剪枝操作，进一步降低模型所需的计算和存储资源。实验证明与传统的深度学习模型相比，本发明提出的方法优于传统方法，分割精度有明显提升且需要的计算和存储资源要远远少于传统深度学习模型。
Description
技术领域
本发明涉及图像处理领域，特别涉及一种轻量化多路径网状图像分割方法、系统和电子设备。
背景技术
随着计算机技术的进步，以及数据量的上升，计算机视觉技术得到了快速的发展。在计算机视觉技术中，最重要的一个基本问题就是对图像进行语义分割，其实质是对图像的每个像素点进行分类。图像语义分割方法分为传统的图像分割方法和基于深度学习的分割方法。
传统的分割方法主要包括区域生长法、模糊C均值聚类方法、主动轮廓模型分割方法、水平集方法、分水岭算法、基于图谱匹配的分割方法、多谱磁共振影像分割方法和基于异常检测的分割方法等。但是，这些传统的分割方法还需要人为干预，并没有实现完全的自动分割，鲁棒性较差，分割结果仍然存在较大的误差。
基于深度学习的分割方法克服了传统分割方法的缺点，不需要人为干预，可以实现全自动分割，鲁棒性较好，并且在分割精度上也获得了极大的提升，其主要包括VGG、FCN和U-Net等分割模型。
深度学习中的卷积神经网络依靠卷积操作来提取特征，具有不同卷积核的卷积操作提取的特征也会有所区别，具有小卷积核的卷积操作能够拥有的感受野较小，更加注重图像的局部信息，具有大卷积核的卷积操作拥有的感受野更大，更加注重图像的全局信息，若能同时使用具有不同卷积核的卷积操作提取特征，则无疑会使提取的特征更加丰富，此外，若能使分割网络自动选择具有不同卷积核的组合卷积操作，则网络提取的特征无疑会更加适合要完成的任务。
虽然基于深度学习的分割方法分割精度取得了极大提升，但是仍然存在模型的尺寸过大，在执行分割任务的时候会消耗大量资源等问题，如果能够设计出一种轻量化的分割网络模型，且该模型能够自动选择具有不同卷积核的组合卷积操作来进行特征提取，无疑会减少深度学习分割方法所需要的计算和存储资源，同时能够提升深度学习分割方法的性能。
发明内容
深度学习分割方法在执行分割任务的时候会消耗大量的资源，且严重依赖深度神经网络提取的图像特征，如果能够设计一种轻量化的深度神经网络，并且网络能够自动选择具有不同卷积核的组合卷积操作来进行特征提取，那么无疑会减少深度学习分割方法所需要的计算和存储资源，同时能够提升深度学习分割方法的性能。针对这一问题，本发明提出了一种轻量化多路径网状图像分割方法、系统和电子设备。
本发明采用的技术方案如下所示：
一种轻量化多路径网状图像分割方法，能够减少深度学习分割方法所需要的计算和存储资源，同时能够使用自动化的组合卷积操作提升深度学习分割方法的性能，所述方法包括训练阶段和推理阶段：
(一)训练阶段包括：
(1)图像预处理：对图像进行归一化处理，将多模态数据拼接成多通道数据，对数据进行清洗，去除无效数据，同时为了强化训练效果，对数据集使用旋转方法进行了数据增强；
(2)构建分割模型，具体步骤包括：
(2-1)将经过预处理的图像数据送入多路径编码器，在多路径编码器部分，使用五个轻量化多路径特征挖掘单元和四个下采样操作对输入数据进行编码操作，编码后的数据去除了噪声并保留了输入数据的有效信息，多路径编码器从顶部到底部，轻量化多路径特征挖掘单元提取的特征通道的数量分别是32、64、128、256、512；
(2-2)将经过步骤(2-1)处理的数据送入多路径解码器中，在多路径解码器中，使用了四个轻量化多路径特征挖掘单元和四个上采样操作单元来对编码信息进行解码操作，使得输出数据可以恢复到原始数据的大小；轻量化多路径特征挖掘单元的结构和多路径编码器中描述的轻量化多路径特征挖掘单元的结构完全一致；为了获得图像的位置信息，多路径编码器中的每一个轻量化多路径特征挖掘单元的输出信息，都被传送到多路径解码器中对应位置的轻量化多路径特征挖掘单元中，多路径解码器中的每一个轻量化多路径特征挖掘单元的输入信息，都是上一层轻量化多路径特征挖掘单元的输出信息的上采样信息和位置信息的拼接；多路径解码器从底部到顶部，轻量化多路径特征挖掘单元提取的特征通道的数量分别是256、128、64、32；
(2-3)为了有效的利用特征的多尺度信息，需要将图像的低维信息和高维信息联合起来；解码器每一层的输出数据首先经过上采样操作恢复到原始的图像尺寸，上采样的倍数分别为八倍、四倍和两倍；又由于解码器每一层的输出特征数量不同，分别为256、128、64和32，八倍上采样后特征通道的数量分别缩小为128、64、32，四倍上采样后特征通道的数量分别缩小为64、32，两倍上采样后特征通道的数量缩小为32；经过阶梯式降低特征通道数量后，获得的特征被拼接起来经过标准卷积操作单元进行特征数量的再次降低，特征通道的数量降低为32，之后，特征通道将经过输出层输出分割结果；
(3)训练分割模型：将清洗后的数据放入分割模型中进行训练，动态更新模型的参数，到达设定的训练次数后保存模型和参数；
(4)软剪枝操作：使用软滤波器剪枝对模型进行进一步的压缩简化，减少分割模型进行推理运算需要的计算和存储资源，抑制模型中存在的过参数化现象，该方法能够以一种软的方式动态的修剪滤波器，即减掉的滤波器仍然参与下一次的迭代更新；
(5)模型微调：由于经过软剪枝过程之后，网络模型的精度损失过多，故需要对网络模型进行进一步的深度训练。
(二)推理阶段包括：
(1)获取图像：获取需要进行分割处理的图像；
(2)预处理图像：对图像进行归一化处理，将多模态数据拼接成多通道数据；
(3)分割图像：将经过预处理的图像数据送入经过微调后的分割模型中进行分割推理操作。
本发明还提出了一种轻量化多路径网状图像分割系统，其特征在于：该系统包括数据采集器、数据存储器、数据处理器。
其中，数据采集器可以采集图像数据；数据存储器中包括一种轻量化多路径网状图像分割方法程序；所述轻量化多路径网状图像分割方法程序被所述数据处理器执行时实现如上所述轻量化多路径网状图像分割方法的各个步骤。
本发明还包括一种轻量化多路径网状图像分割电子设备，其特征在于：所述图像分割电子设备包括程序存储器、数据存储器、嵌入式神经网络处理器NPU、显示终端、输入设备、电源设备和总线，各设备通过总线完成相互间的通信；
所述程序存储器存储有可被一个或多个嵌入式神经网络处理器执行的指令，完成如上所述轻量化多路径网状图像分割方法；所述数据存储器存储有被嵌入式神经网络处理器处理前的数据以及处理后的数据；所述嵌入式神经网络处理器执行程序存储器中保存的指令，指令被嵌入式神经网络处理器执行时，使嵌入式神经网络处理器执行如上所述轻量化多路径网状图像分割方法；所述显示终端显示用于对数据的可视化展示与操作；所述输入设备用于对设备的操作与控制；所述电源设备用于对以上设备进行供电。
本发明提出了一种轻量化多路径网状图像分割方法、系统和电子设备。通过使用一种轻量化的深度神经网络，并且网络能够自动选择具有不同卷积核的组合卷积操作来进行特征提取，实现了减少深度学习分割方法所需要的计算和存储资源，同时提升深度学习分割方法性能的目标。
附图说明
图1是本发明一种轻量化多路径网状图像分割方法的流程图；
图2是本发明一种轻量化多路径网状图像分割模型的总体示意框图；
图3是本发明一种轻量化多路径网状图像分割模型的轻量化特征挖掘单元示意框图；
图4是本发明一种轻量化多路径网状图像分割模型的特征阶梯示意框图；
图5是本发明一种轻量化多路径网状图像分割方法的软剪枝示意框图
图6是本发明一种轻量化多路径网状图像分割系统的示意框图；
图7是本发明一种轻量化多路径网状图像分割的电子设备整体结构示意图。
具体实施方式
为了能够更加详细的了解本发明的特点与技术内容，下面结合附图和实例对本发明作进一步说明，所附附图仅供参考说明使用。
如图1所示，本发明提出的一种轻量化多路径网状图像分割方法的流程图如下文所示：
(一)训练阶段：图像预处理，对图像进行归一化处理，将多模态数据拼接成多通道数据，对数据进行清洗，去除无效数据，同时为了强化训练效果，对数据集使用旋转方法进行数据增强。构建分割模型，使用轻量化多路径特征挖掘单元构建分割模型。训练分割模型，将清洗后的数据放入分割模型中进行训练，到达设定的训练次数后保存模型及参数。模型软剪枝，将训练后的模型进行软剪枝操作，去除掉模型多余的参数。模型微调，将软剪枝后的模型进行微调，动态更新模型的参数，到达设定的训练次数后保存模型和参数。
(二)推理阶段：图像预处理，对图像进行归一化处理，将多模态数据拼接成多通道数据。分割图像，将经过预处理的图像数据送入经过微调后的分割模型中进行分割推理操作，得到最终的分割结果。
如图2、图3、图4和图5所示，一种轻量化多路径网状图像分割方法的具体步骤如下文所示：
(1)对数据集进行预处理：由于训练数据的背景部分过多，且对网络的训练没有任何有益作用，反而浪费服务器的计算资源，故采用裁剪方法，去除背景部分，裁剪后影像的保留区域为长40至220像素，宽为30至210像素，总体尺寸为155×180×180；对数据集进行归一化处理，即将数据集处理成均值为0，方差为1的标准数据集；将多模态数据合并成多通道数据便于四个模态信息的同步利用，合并之后的数据尺寸为155×180×180×4；进行数据清洗，将数据集中没有标签的图像去除；将图像的标签转换成独热码，得到最终的数据，此时数据格式为S×180×180×4；
(2)将步骤(1)处理的数据送入多路径编码器。在多路径编码器部分，使用了五个轻量化多路径特征挖掘单元和四个下采样操作对输入数据进行编码操作，从顶部到底部，轻量化多路径特征挖掘单元提取的特征通道的数量分别是32、64、128、256、512。其中，轻量化特征挖掘单元的结构如下所示：
(2-1)输入数据经过一个具有1×1卷积核的标准卷积操作单元进行特征通道的扩充，扩充为规定的输出特征通道数量，该操作不仅可以从输入数据中提取编码信息还有利于后续的加法运算；
(2-2)为了提高卷积运算提取的特征的多样性，本文使用了五个不同的操作，分别是：
(2-2-1)使用一个具有1×1卷积核的深度可分离卷积单元对操作(2-1)输出数据做卷积运算；
(2-2-2)使用一个具有3×3卷积核的深度可分离卷积单元对操作(2-1)和操作(2-2-1)的输出数据先做加法运算再做卷积运算；
(2-2-3)使用一个具有5×5卷积核的标准卷积操作单元对操作(2-1)和操作(2-2-2)的输出数据先做加法运算再做卷积运算；
(2-2-4)使用一个具有7×7卷积核的深度可分离卷积单元对操作(2-1)和操作(2-2-3)的输出数据先做加法运算再做卷积运算；
(2-2-5)使用一个具有3×3操作核和1×1步长的MaxPool操作单元对操作(2-1)和操作(2-2-4)的输出数据先做加法运算再做下采样运算；
这五个不同的操作通过跳线连接可以进行操作之间的自由组合，该操作可以进行的最复杂的操作为先进行1×1卷积操作，再进行3×3卷积操作，然后依次进行5×5卷积操作和7×7卷积操作，最后进行3×3下采样操作，通过操作之间的组合，多路径特征挖掘单元可以提取更加多样的特征；
(2-3)由于提取的特征数量比较多会耗费更多的计算资源和存储资源，故本文首先将操作2的输出数据拼接起来，然后使用一个具有1×1卷积核的标准卷积操作单元对拼接数据进行卷积操作，以减少特征通道的数量，该卷积操作单元还起到了注意力机制的作用，可以将更加有用的特征通道保留；
(2-4)由于上述诸多操作的复杂性可能造成网络的梯度消失问题，影响网络的训练过程，故本文采用了残差单元中的跳线连接结构，将操作(2-1)和操作(2-3)的输出数据做加法运算。
深度可分离卷积单元由一个深度卷积操作、一个具有1×1卷积核的标准卷积操作单元组成，其中，深度卷积又被称为逐通道卷积，具有1×1卷积核的卷积又被称为逐点卷积。
逐通道卷积的卷积核参数量相比于传统卷积的卷积核参数量大大减少，传统卷积核的参数量为Ci×H×W×Co，而逐通道卷积的卷积核参数量为Ci×H×W，其中Ci为输入通道数量，H为卷积核的高度，W为卷积核的宽度，Co为输出特征通道数；逐通道卷积在运算过程中，各个特征通道之间相互独立，没有通道之间的特征融合操作。由于逐通道卷积操作缺少特征各通道之间的融合，为了解决这个问题，逐通道卷积之后应该紧跟着一个具有1×1卷积核的标准卷积操作单元。
假设输入的特征F的尺寸为(HF,WF,M)，采用的标准卷积K的尺寸为(HK,WK,M,N)，输出的特征G的尺寸为(HG,WG,N)，其中H和W表示高度和宽度，M表示输入的特征通道数量，N表示输出的特征通道数量。标准卷积的计算量AN如下所示：
AN＝HK·WK·M·N·HF·WF
深度可分离卷积可以被拆分成逐通道卷积和逐点卷积，其中逐通道卷积负责滤波作用，尺寸为(HK，WK，I,M)，输出特征尺寸为(HG,WG,M)，逐点卷积负责转换通道，尺寸为(I,I,M,N)，输出特征尺寸为(HG,WG,N)，则深度可分离卷积所需要的计算量AD如下所示：
AD＝HK·WK·M·HF·WF+M·N·HF·WF
则深度可分离卷积的计算量是普通卷积计算量的
倍，如下所示：
(3)将步骤(2)处理的数据送入多路径解码器。首先将数据进行两倍的上采样操作，恢复图像的分辨率，然后将经过上采样操作的数据和步骤(2)对应的位置传送过来的数据拼接，送入轻量化特征挖掘单元提取更加丰富的图像语义信息。多路径解码器从底部到顶部，轻量化特征挖掘单元提取的特征通道的数量分别是256、128、64、32。
(4)为了有效的利用特征的多尺度信息，需要将图像的低维信息和高维信息联合起来。解码器每一层的输出数据首先经过上采样操作恢复到原始的图像尺寸，上采样的倍数分别为八倍、四倍和两倍；又由于解码器每一层的输出特征数量不同，分别为256、128、64和32，如果直接将这些特征的数量缩小到32，会造成信息的丢失，故本专利使用了具有1×1卷积核的标准卷积操作单元对特征通道数量进行阶梯式缩小，这样可以有效的保留信息，八倍上采样后特征通道的数量分别缩小为128、64、32，四倍上采样后特征通道的数量分别缩小为64、32，两倍上采样后特征通道的数量缩小为32；经过阶梯式降低特征通道数量后，获得的特征被拼接起来经过一个具有1×1卷积核的标准卷积操作单元进行特征数量的再次降低，特征通道的数量降低为32，之后，特征通道将经过输出层输出分割结果。
(5)损失函数交叉熵描述的是实际的输出概率与期望输出概率的距离，也就是说，交叉熵的值越小，两个概率的分布就越接近。假设概率分布p为期望输出，概率分布q为实际输出，则交叉熵H(p，q)如下所示：
当训练集中每个类的像素数量有很大变化时，则需要根据真实类别对损失函数进行不同的加权，这被称为类别平衡，中值频率均衡描述的是在损失函数中分配给一个类的权重是在整个训练集上计算的类频率的中值除以类频率的比率，这意味着训练集中较大的类的权重较小，最小类的权重最高。
由于本专利网络模型的输出为四通道，则对其中任意通道而言，都可以看做对像素做二分类，故本专利使用的损失函数是使用中值频率均衡的二进制交叉熵损失函数的多通道复合体，假设概率分布p为期望输出，概率分布q为实际输出，loss为交叉熵，则loss如下所示：
其中，freq(xi)表示的是某个类的出现频率，是通过该类的像素总数除以该类通道上的所有像素数量得到的，Median(freq(x1),…)表示的是分割任务中标签的四个类别在其通道上出现频率的中值。
(6)经过上述修改后的轻量化网络具有3.64M参数，42.44MB的存储空间，54.43MFLOPs，仍然需要非常多的计算和存储成本。考虑到模型中可能存在过参数化现象，即模型训练阶段需要大量参数来捕捉数据中的微小信息而推理阶段并不需要这些参数，基于这样的假设，可以对模型进行进一步的压缩简化。
滤波器剪枝能够使模型具有结构化稀疏性和比权重剪枝更有效的内存使用，从而实现更加真实的加速，本专利所使用的方法为软滤波器剪枝，该方法能够以一种软的方式动态的修剪滤波器，即减掉的滤波器仍然参与下一次的迭代更新。
软滤波器剪枝首先使用训练集对网络进行训练，得到训练好的网络模型，后续的操作都在这个预先训练好的模型上面进行。然后，计算网络中每一层卷积操作的各个卷积核的L2范数，然后对这些卷积核以L2范数为标准进行排序，将L2范数较低的几个卷积核的值置为零；之后，网络模型进行预先定义的N个迭代次数的训练，此时值被置为零的卷积核也参与到了更新过程中；之后，网络模型重复进行上述步骤，当剪枝操作的迭代次数运行完毕后，再次计算网络中每一层卷积操作的各个卷积核的L2范数，然后对这些卷积核以L2范数为标准进行排序，将L2范数较低的几个卷积核删除掉，最后对网络模型进行微调。
(7)由于经过上述过程之后，网络模型的精度损失过多，故需要对网络模型进行进一步的深度训练。
本发明还提出了一种轻量化多路径网状图像分割系统，其结构如图6所示，包括数据采集器、数据存储器、数据处理器。
其中，数据采集器可以采集图像数据；所述数据存储器中包括一种轻量化多路径网状图像分割方法程序；所述轻量化多路径网状图像分割方法程序被所述数据处理器执行时实现如下步骤：获取图像数据；图像预处理，裁剪图像，然后将裁剪后的数据进行标准化处理，将多模态数据拼接成多通道数据；分割图像，加载保存的分割模型以及参数，自动分割预处理后的图像；显示分割结果，将分割后的结果进行显示。
本发明还包括一种轻量化多路径网状图像分割电子设备，如图7所示，具体包括程序存储器、数据存储器、嵌入式神经网络处理器(NPU)、显示终端、输入设备、电源设备和总线，各设备通过总线完成相互间的通信。
所述程序存储器存储有可被一个或多个嵌入式神经网络处理器执行的指令，完成步骤(1)-(7)所述处理过程；所述数据存储器存储有被嵌入式神经网络处理器处理前的数据以及处理后的数据；所述嵌入式神经网络处理器执行程序存储器中保存的指令，指令被嵌入式神经网络处理器执行时，使嵌入式神经网络处理器执行步骤(1)-(7)所述的数据处理方法；所述显示终端显示用于对数据的可视化展示与操作；所述输入设备用于对设备的操作与控制；所述电源设备用于对以上设备进行供电。
本发明的效果可以通过实验结果进一步说明。
将BraTS2020数据集经过步骤(1)所示方法处理，随机打乱后分成5份，每次取4份作为训练集，剩下的1份作为验证集，共做5次交叉验证，将5次验证之后的结果取均值，作为最终的实验结果。从表1可以看到，采用本发明(表中加粗区域)后，在多个性能指标上面与传统的分割方法相比(采用相同的数据集)，本发明提出的方法分割精度有明显提升，而且所需的计算和存储资源更少。经过剪枝操作后，其各项指标如表2所示，从表中可以看到，模型所需的计算资源和存储资源明显降低，但精度损失过大。对剪枝后的模型进行微调后，如表3所示，精度明显得到恢复。
表1 各模型在BraTS2020数据集上五折交叉验证的结果
表2 剪枝操作后模型在各数据集上的结果
表3 模型微调后在各数据集上的结果
Claims (3)
1.一种轻量化多路径网状图像分割方法，能够减少深度学习分割方法所需要的计算和存储资源，同时能够使用自动化的组合卷积操作提升深度学习分割方法的性能，所述方法包括训练阶段和推理阶段：
(一)训练阶段包括：
(1)图像预处理：对图像进行归一化处理，将多模态数据拼接成多通道数据，对数据进行清洗，去除无效数据，同时为了强化训练效果，对数据集使用旋转方法进行了数据增强；
(2)构建分割模型，具体步骤包括：
(2-1)将经过预处理的图像数据送入多路径编码器，在多路径编码器部分，使用五个轻量化多路径特征挖掘单元和四个下采样操作对输入数据进行编码操作，编码后的数据去除了噪声并保留了输入数据的有效信息，多路径编码器从顶部到底部，轻量化多路径特征挖掘单元提取的特征通道的数量分别是32、64、128、256、512；
(2-2)将经过步骤(2-1)处理的数据送入多路径解码器中，在多路径解码器中，使用了四个轻量化多路径特征挖掘单元和四个上采样操作单元来对编码信息进行解码操作，使得输出数据可以恢复到原始数据的大小；轻量化多路径特征挖掘单元的结构和多路径编码器中描述的轻量化多路径特征挖掘单元的结构完全一致；为了获得图像的位置信息，多路径编码器中的每一个轻量化多路径特征挖掘单元的输出信息，都被传送到多路径解码器中对应位置的轻量化多路径特征挖掘单元中，多路径解码器中的每一个轻量化多路径特征挖掘单元的输入信息，都是上一层轻量化多路径特征挖掘单元的输出信息的上采样信息和位置信息的拼接；多路径解码器从底部到顶部，轻量化多路径特征挖掘单元提取的特征通道的数量分别是256、128、64、32；
(2-3)为了有效的利用特征的多尺度信息，需要将图像的低维信息和高维信息联合起来；解码器每一层的输出数据首先经过上采样操作恢复到原始的图像尺寸，上采样的倍数分别为八倍、四倍和两倍；又由于解码器每一层的输出特征数量不同，分别为256、128、64和32，八倍上采样后特征通道的数量分别缩小为128、64、32，四倍上采样后特征通道的数量分别缩小为64、32，两倍上采样后特征通道的数量缩小为32；经过阶梯式降低特征通道数量后，获得的特征被拼接起来经过标准卷积操作单元进行特征数量的再次降低，特征通道的数量降低为32，之后，特征通道将经过输出层输出分割结果；
(3)训练分割模型：将清洗后的数据放入分割模型中进行训练，动态更新模型的参数，到达设定的训练次数后保存模型和参数；
(4)软剪枝操作：使用软滤波器剪枝对模型进行进一步的压缩简化，减少分割模型进行推理运算需要的计算和存储资源，抑制模型中存在的过参数化现象，该方法能够以一种软的方式动态的修剪滤波器，即减掉的滤波器仍然参与下一次的迭代更新；
(5)模型微调：由于经过软剪枝操作之后，网络模型的精度损失过多，故需要对网络模型进行进一步的深度训练。
(二)推理阶段包括：
(1)获取图像：获取需要进行分割处理的图像；
(2)预处理图像：对图像进行归一化处理，将多模态数据拼接成多通道数据；
(3)分割图像：将经过预处理的图像数据送入经过微调后的分割模型中进行分割推理操作。
2.一种轻量化多路径网状图像分割系统，其特征在于：该系统包括数据采集器、数据存储器、数据处理器；其中，数据采集器可以采集图像数据；数据存储器中包括一种轻量化多路径网状图像分割方法程序；所述轻量化多路径网状图像分割方法程序被所述数据处理器执行时实现如权利要求1所述的一种轻量化多路径网状图像分割方法的各个步骤。
3.一种轻量化多路径网状图像分割电子设备，其特征在于：所述图像分割电子设备包括程序存储器、数据存储器、嵌入式神经网络处理器NPU、显示终端、输入设备、电源设备和总线，各设备通过总线完成相互间的通信；其中，所述程序存储器存储有可被一个或多个嵌入式神经网络处理器执行的指令，完成如权利要求1所述的一种轻量化多路径网状图像分割方法；所述数据存储器存储有被嵌入式神经网络处理器处理前的数据以及处理后的数据；所述嵌入式神经网络处理器执行程序存储器中保存的指令，指令被嵌入式神经网络处理器执行时，使嵌入式神经网络处理器执行如权利要求1所述的一种轻量化多路径网状图像分割方法；所述显示终端显示用于对数据的可视化展示与操作；所述输入设备用于对设备的操作与控制；所述电源设备用于对以上设备进行供电。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110768828.1A CN113393476B (zh) | 2021-07-07 | 2021-07-07 | 一种轻量化多路径网状图像分割方法、系统和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110768828.1A CN113393476B (zh) | 2021-07-07 | 2021-07-07 | 一种轻量化多路径网状图像分割方法、系统和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113393476A true CN113393476A (zh) | 2021-09-14 |
| CN113393476B CN113393476B (zh) | 2022-03-11 |
Family
ID=77625421
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110768828.1A Active CN113393476B (zh) | 2021-07-07 | 2021-07-07 | 一种轻量化多路径网状图像分割方法、系统和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113393476B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115330971A (zh) * | 2022-10-13 | 2022-11-11 | 数云科际(深圳)技术有限公司 | 一种面向渲染性能优化的几何模型轻量化方法 |
| CN115375677A (zh) * | 2022-10-24 | 2022-11-22 | 山东省计算中心（国家超级计算济南中心） | 基于多路径和多尺度特征融合的酒瓶缺陷检测方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110188768A (zh) * | 2019-05-09 | 2019-08-30 | 南京邮电大学 | 实时图像语义分割方法及系统 |
| CN110223304A (zh) * | 2019-05-20 | 2019-09-10 | 山东大学 | 一种基于多路径聚合的图像分割方法、装置和计算机可读存储介质 |
| CN110599495A (zh) * | 2019-07-26 | 2019-12-20 | 山东大学 | 一种基于语义信息挖掘的图像分割方法 |
| CN111080648A (zh) * | 2019-12-02 | 2020-04-28 | 南京理工大学 | 基于残差学习的实时图像语义分割算法 |
| CN111091130A (zh) * | 2019-12-13 | 2020-05-01 | 南京邮电大学 | 基于轻量级卷积神经网络的实时图像语义分割方法及系统 |
| CN111915612A (zh) * | 2020-07-24 | 2020-11-10 | 山东大学 | 一种基于多编码器卷积神经网络的图像分割方法和系统 |
| CN111915623A (zh) * | 2020-07-22 | 2020-11-10 | 山东大学 | 一种使用门控和自适应注意力的图像分割方法和装置 |
| CN112446439A (zh) * | 2021-01-29 | 2021-03-05 | 魔视智能科技(上海)有限公司 | 深度学习模型动态分支选择的推理方法及系统 |
| CN112651975A (zh) * | 2020-12-29 | 2021-04-13 | 奥比中光科技集团股份有限公司 | 一种轻量化网络模型的训练方法、装置及设备 |
| CN112734755A (zh) * | 2021-03-15 | 2021-04-30 | 四川大学 | 基于3d全卷积神经网络与多任务学习的肺叶分割方法 |
-
2021
- 2021-07-07 CN CN202110768828.1A patent/CN113393476B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110188768A (zh) * | 2019-05-09 | 2019-08-30 | 南京邮电大学 | 实时图像语义分割方法及系统 |
| CN110223304A (zh) * | 2019-05-20 | 2019-09-10 | 山东大学 | 一种基于多路径聚合的图像分割方法、装置和计算机可读存储介质 |
| CN110599495A (zh) * | 2019-07-26 | 2019-12-20 | 山东大学 | 一种基于语义信息挖掘的图像分割方法 |
| CN111080648A (zh) * | 2019-12-02 | 2020-04-28 | 南京理工大学 | 基于残差学习的实时图像语义分割算法 |
| CN111091130A (zh) * | 2019-12-13 | 2020-05-01 | 南京邮电大学 | 基于轻量级卷积神经网络的实时图像语义分割方法及系统 |
| CN111915623A (zh) * | 2020-07-22 | 2020-11-10 | 山东大学 | 一种使用门控和自适应注意力的图像分割方法和装置 |
| CN111915612A (zh) * | 2020-07-24 | 2020-11-10 | 山东大学 | 一种基于多编码器卷积神经网络的图像分割方法和系统 |
| CN112651975A (zh) * | 2020-12-29 | 2021-04-13 | 奥比中光科技集团股份有限公司 | 一种轻量化网络模型的训练方法、装置及设备 |
| CN112446439A (zh) * | 2021-01-29 | 2021-03-05 | 魔视智能科技(上海)有限公司 | 深度学习模型动态分支选择的推理方法及系统 |
| CN112734755A (zh) * | 2021-03-15 | 2021-04-30 | 四川大学 | 基于3d全卷积神经网络与多任务学习的肺叶分割方法 |
Non-Patent Citations (3)
| Title |
|---|
| ENSHUAI PANG 等: ""Glioma Segmentation Using Encoder-Decoder Network and Survival Prediction Based on Cox Analysis"", 《SPRINGER》 * |
| 刘琚 等: ""基于深度学习的脑肿瘤图像分割"", 《山东大学学报》 * |
| 吴强 等: ""基于机器学习的脑胶质瘤多模态影像分析"", 《山东大学学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115330971A (zh) * | 2022-10-13 | 2022-11-11 | 数云科际(深圳)技术有限公司 | 一种面向渲染性能优化的几何模型轻量化方法 |
| CN115375677A (zh) * | 2022-10-24 | 2022-11-22 | 山东省计算中心（国家超级计算济南中心） | 基于多路径和多尺度特征融合的酒瓶缺陷检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113393476B (zh) | 2022-03-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113393476B (zh) | 一种轻量化多路径网状图像分割方法、系统和电子设备 | |
| CN115482241A (zh) | 一种跨模态双分支互补融合的图像分割方法及装置 | |
| CN110675406A (zh) | 基于残差双注意力深度网络的ct图像肾脏分割算法 | |
| CN111986075B (zh) | 一种目标边缘清晰化的风格迁移方法 | |
| CN113706542A (zh) | 基于卷积神经网络及混合损失函数的眼球分割方法及装置 | |
| CN114627006B (zh) | 一种基于深度解耦网络的渐进式图像修复方法 | |
| CN113554084B (zh) | 基于剪枝和轻量卷积的车辆再辨识模型压缩方法及系统 | |
| CN111861945A (zh) | 一种文本引导的图像修复方法和系统 | |
| CN114821050B (zh) | 一种基于transformer的指称图像分割方法 | |
| CN112348830B (zh) | 基于改进3D U-Net的多器官分割方法 | |
| US20240135610A1 (en) | Image generation using a diffusion model | |
| CN110059769A (zh) | 用于街景理解的基于像素重排重建的语义分割方法及系统 | |
| CN115620010A (zh) | 一种rgb-t双模态特征融合的语义分割方法 | |
| CN117333497A (zh) | 一种基于掩码监督策略的高效建模的三维医学影像分割方法 | |
| CN116385454A (zh) | 一种基于多阶段聚合的医学图像分割方法 | |
| CN110599495B (zh) | 一种基于语义信息挖掘的图像分割方法 | |
| JP2024143991A (ja) | マルチタスク学習ネットワークにおける画像分割方法及びシステム | |
| CN117788629B (zh) | 一种具有风格个性化的图像生成方法、装置及存储介质 | |
| CN118465876A (zh) | 一种基于EOF-Kmeans聚类和LDM的两阶段临近降水预报方法 | |
| CN117726872A (zh) | 基于多视图多任务特征学习的肺部ct图像分类方法 | |
| CN118071881A (zh) | 多模态图像编辑 | |
| CN116385720A (zh) | 一种乳腺癌病灶超声波图像分割算法 | |
| CN115100107B (zh) | 一种皮肤镜图像分割方法及系统 | |
| CN116524352A (zh) | 一种遥感图像水体提取方法及装置 | |
| CN113052860B (zh) | 一种三维脑血管分割方法及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |