基于残差网络的小目标分割方法研究.pdfVIP

基于残差网络的小目标分割方法研究

摘要

图像分割是计算机视觉中最受关注的方向之一，在安全识别认证、医学图

像分析、遥感图像分析等领域都具有广泛的应用价值。小目标在这些应用领域

中是非常重要的信息，有着十分重要的作用，比如安全识别认证中眼睛的虹膜

区域、医学图像中的病变细胞和各种细小细胞核以及遥感图像中的道路等。因

此，准确地分割出图像中的小目标，对相关领域的发展及应用具有十分重要的

作用。传统的分割算法主要是通过提取形状、颜色、纹理等特征信息对图像进

行分割，泛化能力较差，对小目标难以实现准确分割。随着硬件和软件的不断

发展，基于卷积神经网络的图像分割算法在分割精度方面已经超越了传统的图

像分割算法。但是，当前基于深度学习的分割算法大多是针对具有一定尺寸的

中大型目标难以准确分割出复杂背景下的小目标。这主要是因为小目标的像素

较少、覆盖面积小、特征不明显、携带的信息十分有限，容易受到复杂背景的

干扰，所以导致小目标分割难度增大。针对这些难点，本文对基于卷积神经网

络的算法进行了深入研究和改进，主要的研究工作如下所示：

（1）针对小目标存在像素信息少、尺寸小、特征不明显等问题本文提出了

一种基于MaskR-CNN卷积神经网络的小目标分割方法Mask-INet。首先，针

对在复杂背景下小目标像素信息较少、尺寸小的问题，对特征金字塔进行了改

进。本文为特征金字塔添加了一条自底向上的路径，既提高了底层到顶层特征

的定位信息，增强了多尺度特征融合的能力，又进一步加快了底层到顶层的传

播效率，有效提升模型的分割精度。随后又针对小目标特征不明显的问题，在

掩膜预测分支中引入上采样和混合注意力机制，利用上采样提高特征图的空间

分辨率，利用混合注意力机制让特征图中的显著信息更加显著，增强对特征的

判别性。最后，为了验证提出模型对小目标分割的有效性和泛化能力，我们分

别在不同的数据集上进行了实验。

（2）为了降低模型参数量，方便部署到移动端，本文引入了知识蒸馏，提

出蒸馏策略对改进的模型进行轻量化操作。利用Huber损失函数约束教师网络

和学生网络间的距离，使得学生网络更好的学习教师网络表征能力更强的特征，

从而提升下游任务的分割和检测能力。

分析结果表明：在相同的实验配置下，本文提出的模型在不同的数据集上

均获得了最好的分割结果，充分证明了本文提出模型的有效性和泛化性。此外

得到的轻量化模型的准确率也接近教师模型的性能，达到了最终的预期效果。

关键词：小目标分割，残差网络，卷积神经网络，知识蒸馏

ResearchonSmallTargetSegmentationMethodbasedonResidual

Network

ABSTRACT

Imagesegmentationisoneofthemostpopulardirectionsincomputervision,

andhasawiderangeofapplicationsinsecurityidentificationandauthentication,

medicalimageanalysis,remotesensingimageanalysisandotherfields.Small

targetsareveryimportantinformationintheseapplicationsandhaveavery

importantrole,suchastheirisregionoftheeyeinsecurityrecognition

authentication,diseasedcellsandvarioustinycellnucleiinmedicalimages,and

roadsinremotese