(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 202210691683.4 (22)申请日 2022.06.17 (71)申请人 湘潭大学 地址 411105 湖南省湘潭市雨湖区羊牯塘 卢家滩27号 (72)发明人 郭李　熊家荣　 (74)专利代理 机构 湘潭市汇智专利事务所(普 通合伙) 43108 专利代理师 陈伟 (51)Int.Cl. G06V 10/26(2022.01) G06V 10/774(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06V 10/30(2022.01)G06V 10/80(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于多尺度注 意力增强U-Net的电离图自动 描迹方法 (57)摘要 本发明公开了一种基于多尺度注意力增强 U‑Net的电离图自动描迹方法， 引入多尺度特征 图跳跃连接以及注意力增强网络， 将浅层具有位 置信息的特征图与深层具有高级语义信息的特 征图结合起来， 以对低信噪比的电离图进行分 割。 本发明将注意力门模块和多尺度特征图跳跃 连接结构融合进U ‑Net语义分割 网络中， 特征图 通过注意力门模块大小不变， 通过多尺度特征图 跳跃连接时， 利用最大池化操作进行下采样， 将 特征图大小与注意力门模块输出特征图大小保 持一致， 这种设计方法， 在不增加大量参数的情 况下， 显著提升 了网络分割精度。 权利要求书2页 说明书5页 附图4页 CN 114972760 A 2022.08.30 CN 114972760 A 1.一种基于多尺度注意力增强U ‑Net的电离图自动描迹方法， 其特征在于， 引入多尺度 特征图跳跃连接以及注意力增强网络， 将浅层具有位置信息的特征图与深层具有高级语义 信息的特 征图结合 起来， 通过改进的语义分割U ‑Net网络对低信噪比的电离图进行分割； 具体包括以下步骤： 一、 构建多尺度注意力增强U ‑Net语义分割网络： 语义分割网络采用U型网络结构， 语义 分割网络的左臂由四个编码器层构成， 每个编码器层均包括两个第一卷积核、 两个第一 ReLU激活层和最大池化层； 对应的， 语义分割网络的右臂由四个解码 器层构成， 解码 器层包 括多尺度特 征图跳跃 连接结构、 注意力门模块、 两个第二卷积核、 两个第二ReLU激活层； 二、 训练数据集的预处理： 在进行网络训练之前， 对齐图片坐标原点， 其余补零， 将电离 图的大小统一调整到 512×512的像素 大小， 将所 得数据集分为训练集和 测试集； 三、 对电离图进行编码： 将训练集的电离图输入语义分割网络的编码器层， 利用两个第 一卷积核进行特征提取， 使通道数翻倍， 得到第一个特征图， 进行下采样， 在编码器层的最 大池化层的作用下， 图片大小减半， 之后每进入一个编码器层， 特征图大小减半， 通道数翻 倍， 经过第四个编码器层特 征提取以后， 通过中间层， 进入解码器层； 四、 解码得到分割结果： 中间层输出的特征图， 通过上采样使得图片大小翻倍， 进入第 一个解码 器层， 同时与 注意力门模块输出的特征图 以及经过多尺度特征图跳跃连接结构输 出的多尺度特征图相融合， 通过拼接经过两个第二卷积核处理使得通道数减半， 传递给下 一解码器层； 经 过四个解码器层的解码后， 将 深层语义信息逐渐恢复为 最终的分割结果图。 2.根据权利要求1所述的基于多尺度注意力增强U ‑Net的电离图自动描迹方法， 其特征 在于， 所述步骤一的多尺度 注意力增强U ‑Net语义分割网络中， 每层解码 器前引入的注 意力 门模块具有两个输入， 一个为同层编码器层跳跃连接的特征图， 包含同层编码器层对应的 编码器中所有上下文和空间信息， 第二个为上一个解码器层上采样得到的特征图， 作为此 解码器层的门控信号； 上一个解码器层上采样的特征图与同层编 码器层跳跃连接的特征图 相加， 经过1 ×1的卷积操作， 利用Sigmoid函数得到加 权特征图， 利用 加权特征图与同层编 码器层跳跃 连接特征图相乘， 得到最后的注意力特 征图。 3.根据权利要求1所述的基于多尺度注意力增强U ‑Net的电离图自动描迹方法， 其特征 在于， 所述步骤一的多尺度 注意力增强U ‑Net语义分割网络中， 多尺度特征图跳跃连接结构 通过不同大小的池化核进行最大池化操作将编码器输出的特征图缩小到对应解码器特征 图的大小。 4.根据权利要求1所述的基于多尺度注意力增强U ‑Net的电离图自动描迹方法， 其特征 在于， 所述 步骤三中， 下采样过程中采用最大池化法， 其池化核大小2 ×2。 5.根据权利要求1所述的基于多尺度注意力增强U ‑Net的电离图自动描迹方法， 其特征 在于， 所述步骤四中， 考虑到电离图样本不平衡的问题， 采用的损失函数为焦点损失函数， 其公式如下： 其中p表示网络输出的预测样本属于1的概率， 范围为0 ‑1； y表示真实标签， y的取值为 {+1,‑1}， 为了方便表示， 将Pt代替p来表示预测 样本正确分类的概率， FL(Pt)为焦点损失函权　利　要　求　书 1/2 页 2 CN 114972760 A 2数， 此函数 中， γ为聚焦 参数， (1‑Pt)相当于一个调制系数， 目的是减少易分类样本的权重， 从而使得模型在训练时更专 注于难分类的样本 。 6.根据权利要求1所述的基于多尺度注意力增强U ‑Net的电离图自动描迹方法， 其特征 在于， 所述 步骤四中， 解码器处 理过程的公式为： 其中， 表示编码器第i层的特征图， 表示编码器的第1层到第i ‑1层， N表示当前 的解码器层； 表示解码器第i层的特 征图； H(.)表示通过 卷积、 批量标准化和ReLU激活函 数综合处理过程； [.]表 示特征图拼接； C(.)表 示卷积过程； D(.)表示利用最大池化下采样； A(.)表示 通过注意力门模块。 7.根据权利要求1所述的基于多尺度注意力增强U ‑Net的电离图自动描迹方法， 其特征 在于， 所述 步骤四中， 上采样 操作使用双线性插值法。权　利　要　求　书 2/2 页 3 CN 114972760 A 3