融合多层感知注意力的电极微观图像分割方法.pdfVIP

第50卷第1期/2024年1月/计算机工程研究论文

融合多层感知注意力的电极微观图像分割方法

1，21，2*31，2

徐威，付晓薇，李曦，汪尧坤

（1.武汉科技大学计算机科学与技术学院，湖北武汉430065；2.智能信息处理与实时工业系统湖北省重点实验室，

湖北武汉430065；3.华中科技大学人工智能与自动化学院，湖北武汉430074）

摘要：针对氮氧传感器电极微观图像存在的物质边缘模糊、伪影、灰度不均等问题，将U-Net作为基础模型，提出

融合多层感知注意力的电极微观图像语义分割方法。首先对U-Net编码层的不同尺度输出特征图使用3×3卷积进

行降维，利用双线性插值统一特征尺度，以实现多尺度特征融合，增强特征信息提取能力并补偿编码下采样中的特

征损失；其次通过加入空间金字塔池化来提取多尺度信息并通过1×1卷积减小计算量，同时提出多层感知注意力

模块，以捕获主干特征图和增强语义信息特征图的空间位置与通道依赖关系；最后计算不同语义信息特征图的相

似度关系，结合交叉熵损失提出具有捕获空间相似性能力的损失函数，在训练过程中对关键信息进行监督，辅助主

干特征图学习空间位置信息，增强分割性能。实验结果表明，该方法的类别平均像素准确率为96.75%，平均交并比

96

为94.04%，微观F1分数为96.92%，浮点运算次数为7.78×10，网络所含参数量为8.08×10。相对U-Net、SegNet等模

型，该方法在提高少量模型复杂度的情况下，能有效改善边缘模糊及物质伪影问题，捕获空间位置与通道信息，保

留图像细节特征，提高分割准确率。

关键词：电极；微观图像；氮氧传感器；语义分割；感知注意力

源代码链接:https：//github.com/Seanxwc/my_ele

中图分类号：TP391文献标志码：ADOI:10.19678/j.issn.1000-3428.0067208

ElectrodeMicroscopicImageSegmentationMethodbyFusing

Multi-layerPerceptualAttention

1，21，2*31，2

XUWei，FUXiaowei，LIXi，WANGYaokun

（1.CollegeofComputerScienceandTechnology，WuhanUniversityofScienceandTechnology，Wuhan430065，Hubei，China；

2.HubeiProvinceKeyLaboratoryofIntelligentInformationProcessingandReal-timeIndustrialSystem，Wuhan430065，

Hubei，China；3.SchoolofArtificialI