(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 202111650464.3 (22)申请日 2021.12.3 0 (71)申请人 昆明理工大 学 地址 650500 云南省昆明市呈贡区景明南 路727号 (72)发明人 刘骊　王凯琪　付晓东　黄青松　 刘利军　 (74)专利代理 机构 昆明隆合知识产权代理事务 所(普通合伙) 53220 专利代理师 何娇 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/11(2017.01) G06N 3/08(2006.01) G06N 3/04(2006.01)G06V 10/46(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于上下文信息和反向注意力的息肉 图像分割方法 (57)摘要 本发明涉及基于上下文信息和反向注意力 的息肉图像分割方法。 本发明首先输入息肉图像 集中的图像， 提取其显著区域的边缘特征和全局 特征进行特征融合， 得到含边缘信息的不同尺度 特征图； 其次， 通过采用不同扩张率的多分支卷 积和并行轴向注意对不同尺度特征图进行特征 编码， 得到息肉图像显著区域的上下文信息； 然 后， 基于提取到的全局特征和息肉图像显著区域 的上下文信息， 通过定义的反向注意模块， 得到 息肉图像非显著区域的反向注意图和显著区域 的注意图； 最后， 结合息肉显著区域的注意图和 非显著区域的反向注意图进行解码优化， 通过消 除错误预测， 得到最终的分割结果。 本发明可 以 有效用于息肉图像 分割， 具有较高的分割效率和 准确性。 权利要求书2页 说明书7页 附图4页 CN 114972155 A 2022.08.30 CN 114972155 A 1.一种基于上下文信息和反向注意力的息肉图像分割方法， 其特征在于： 包括如下步 骤： Step1、 输入息肉图像集中的图像， 提取其显著区域的边缘特征和全局特征进行特征融 合， 得到含边 缘信息的不同尺度特 征图； Step2、 通过采用不同扩张率的多分支卷积和并行轴向注意对不同尺度特征图进行特 征编码， 得到 息肉图像显著区域的上 下文信息； Step3、 基于提取到的全局特征和息肉图像显著区域的上下文信息， 通过定义的反向注 意模块， 得到 息肉图像非显著区域的反向注意图和显著区域的注意图； Step4、 结合息肉图像显著区域的注意图和非显著区域的反向注意图进行解码优化， 通 过消除错 误预测， 得到最终的分割结果。 2.根据权利要求1所述的基于上下文信息和反向注意力的息肉图像分割方法， 其特征 在于： 所述Step1具体过程如下： 首先采用Res2Net提取输入息肉图像集H＝{H1,H2,...Hn}五个不同层次特征{h1,h2,h3, h4,h5}， 将特征按不同尺度分为浅层特征{h1,h2}和深层特征{h3,h4,h5}， 通过部分解码器PD ＝pd(h3,h4,h5)得到全局特 征Ga， 其中n表示息肉图像数量； 其次， 对浅层特征h1和h2利用公式 进行特征融合操作， 得到全 局关系加权图Xk， 其中AJ,J＝j1,j2,...,jc表示全局 平均池化后的特征映射， 表示广播像 素乘法， φ表示sigmo id函数， ω()表示1 ×1卷积和ReLU函数， b表示相关学习参数； 然后， 对全局关系加权图Xk进行卷积得到边缘特征图， 通过标准二元交叉熵损失函数测 量特征图Xk中的边缘与Ground  Truth导出的边 缘之间的差异性， 得到边 缘特征图He； 最后， 将边缘特征图He与深层特征通道连接进行卷积操作后得到含边缘信息的不同尺 度特征图XEe， 其中e＝3,4,5 。 3.根据权利要求1所述的基于上下文信息和反向注意力的息肉图像分割方法， 其特征 在于： 所述Step3和Step4具体过程如下： 首先， 基于全局特征Ga和由Step2得到的不同尺度上下文信息 其中l＝3,4,5， 对第l 层上下文信息进行处理； 当l＝4,5时全局特征为 上一层的预测分割图， 令Ma＝1‑Ga表示非显 著区域图Ma， 通过 计算得到非显著区域向量 与全局特征Ga的 每个像素的相似度， 通过 计算得到 显著区域向量 与全局特 征Ga的 每个像素的相似度， 其中ρ(), θ()表示逐点卷积， 表示 的s个像素； 其次， 对计算得到的相似度 和 通过 和 计 算 得 到 加权 后的 非 显 著区 域 反向 注 意图 和显 著区 域 注 意图 其 中 分别表示相应的相似度加权值； 然后， 基于得到的加权后的非显著区域反向注意图 和显著区域注意图 通过包含权　利　要　求　书 1/2 页 2 CN 114972155 A 2不同卷积核的卷积和扩张卷积的上下文分支、 卷积、 归一化和ReLu提取显著区域注意图中 的非显著信息和非显著区域注意图中的显著信息， 对上一层预测分割结果利用元素减 法得 到去除了显著区域注意图中非显著信息的特征 图 利用元素加法得到增强了非显著区 域注意图中显著信息的特 征图 最后， 将得到 的两个特征 图 进行融合， 得到第l层预测 分割结果即全局特征， 每 一层重复上述过程， 得到最终分割结果。权　利　要　求　书 2/2 页 3 CN 114972155 A 3