(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 202211332438.0 (22)申请日 2022.10.28 (71)申请人 武汉纺织大 学 地址 430073 湖北省武汉市洪山区纺织路1 号 (72)发明人 余锋　李会引　王誉霖　姜明华　 周昌龙　宋坤芳　 (74)专利代理 机构 武汉世跃专利代理事务所 (普通合伙) 42273 专利代理师 万仲达 (51)Int.Cl. G06V 10/26(2022.01) G06V 10/52(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于人工智能的服装图像分割方法 (57)摘要 本发明公开了一种基于人工智能的服装图 像分割方法， 涉及图像分割领域。 所述服装图像 分割方法包括以下步骤： 首先采集服装图像数 据， 对图像进行预处理操作送入服装图像分割模 型的服装特征提取网络， 对图像中的服装特征进 行提取， 再使用服装图像分割模 型的服装特征融 合还原网络对图像特征进行融合减少特征丢失， 并输出带有不同标注信息的图像。 所述服装特征 提取网络包括双分支特征提取模块。 所述服装特 征融合还原网络包含多尺度特征融合模块和结 果输出模块。 本发明通过融合注 意机制和深度可 分离卷积操作， 大大提高了模型推理的准确度和 速度， 不需要大量的人工标注， 为后续服装分析 工作提供了极大便利。 权利要求书2页 说明书6页 附图5页 CN 115393596 A 2022.11.25 CN 115393596 A 1.一种基于人工智能的服装图像分割方法， 其特征在于， 所述的基于人工智能的服装 图像分割方法包括以下步骤： 步骤1， 采集 服装图像组成服装数据集， 并标注图像分割信息； 步骤2， 读取数据集中的图片， 将读取的图像进行预处理后送入服装图像分割模型的服 装特征提取网络中提取服装特 征， 得到具有服装特 征的特征图； 所述服装特征提取网络为双分支特 征提取模块， 两个分支同时对数据进行处 理； 步骤3， 将具有服装特征的特征图送入服装图像分割模型的服装特征融合还原网络， 可 以得到预测概率图， 根据最大概率的通道序号确定每一个像素 的类别， 根据不同的类别渲 染图片， 得到一张彩色标注图； 所述服装特征融合还原网络包含用于对特征图进行融合的多尺度特征融合模块和用 于输出每个像素的类别的结果输出模块。 2.如权利要求1所述的一种基于人工智能的服装图像分割方法， 其特征在于： 步骤2中 所述的双分支特征提取模块的具体处理过程为： 将预 处理后的图像传 入双分支特征提取模 块， 第一条分支和 第二条分支同时对数据进 行处理； 其中第一条分支由4个注 意机制模块组 成， 而第二条分支由8个卷积模块组成； 注意机制模块内的具体操作是： 先经过线性自注意 机制层， 然后再经过一个2 ×2深度可分离卷积层和激活层； 卷积模块内的具体操作是： 先经 过一个7×7深度可分离卷积层， 再经过激活层， 最后经过一个2 ×2深度可分离卷积层和激 活层， 其中第2个， 第4个， 第6个和第 8个卷积模块中的2 ×2深度可分离卷积层用来改变特征 图的高和宽 。 3.如权利要求1所述的一种基于人工智能的服装图像分割方法， 其特征在于： 步骤2中 所述的服装图像分割模型在训练过程中使用的加权损失函数， 具体表示式为： 其中H是预测特征图的高， W是预测特征图的宽， yij表示真实标注图上第i行和第j列位 置上的像素值， yij'表示预测特征图上第i 行和第j列位置上的像素值， 通 过加权的方式使网 络训练时可以全局的关注到所有类别的像素， 提高网络的分割性能。 4.如权利要求2所述的一种基于人工智能的服装图像分割方法， 其特征在于： 步骤3中 多尺度特征融合模块由2个特征上采样模块组成， 其中特征上采样模块的具体操作是： 先经 过一个3×3深度可分离卷积层和激活层， 然后再经过一个4倍上采样层； 结果输出模块的具 体操作是： 先经过一个3 ×3深度可分离卷积层和 激活层， 再经过一个3 ×3深度可分离卷积 层调整通道数为分类数， 最后经 过一个softmax层， 输出最终预测特 征图。 5.如权利要求2或4所述的一种基于人工智能的服装图像分割方法， 其特征在于： 所述 的激活层的激活函数都是relx， 其具体 计算公式为： 权　利　要　求　书 1/2 页 2 CN 115393596 A 2其中max是求 最大值函数， α 和β 为缩放系数，  x代表特征图任意 位置上的值。 6.如权利要求2所述的一种基于人工智能的服装图像分割方法， 其特征在于： 所述的线 性自注意机制层计算方法如下； 特征图的数据维度为H ×W×C， 其中H是特征图的高， W是特征图的宽， C是特征图的通 道， 将输入线性自注 意机制层的特征图分3条支路进 行1×1深度可分离卷积层得到3个特征 图分别记为q， k和v， 线性自注意机制LSA具体 计算公式为： 其中， 符号*代表矩阵乘法， n的大小为H ×W表示的是qi向量， ki向量和vi向量的个数， qi 表示在特征图q在位置i上向量， 向量维度为C， 其中ki和vi与qi同理， sim为计算向量相似度 的函数， 其具体公式为： 其中Q和K代 表维度相同的向量， 符号 ∙代表向量点乘，ε为相似度分量取值 为0.01。 7.如权利要求2所述的一种基于人工智能的服装图像分割方法， 其特征在于： 第 二分支 中第1个卷积模块的输入 是服装图像数据， 第2个卷积模块的输入是第1个卷积模块的输出， 第3个卷积模块的输入是第1个注 意机制模块输出和第2个卷积模块输出的乘积， 第4个卷积 模块的输入是第3卷积模块的输出， 第5个卷积模块的输入 是第2个注意机制模块输出和第4 个卷积模块输出的乘积， 第6个卷积模块的输入是第5个卷积模块的输出， 第7个卷积模块的 输入是第3个注意机制模块输出和 第6个卷积模块输出的乘积， 第8个卷积模块的输入是第7 个卷积模块的输出。 8.如权利要求4所述的一种基于人工智能的服装图像分割方法， 其特征在于： 所述多尺 度特征融合模块中的第1个特征上采样模块的输入 是第4个注意机制模块输出和 第8个卷积 模块输出 的乘积， 第2个特征上采样模块的输入是第 1个特征上采样模块的输出加上第2个 注意机制模块输出和第4个卷积模块输出的乘积。 9.如权利要求4所述的一种基于人工智能的服装图像分割方法， 其特征在于： softmax 函数计算的公式为： ， 式中Xi是 第i个通道的输出值， n 为输出的通道数量， 即 分类的类别个数。 10.如权利要求1所述的一种基于人工智能的服装图像分割方法， 其特征在于： 步骤3中 不同的标注颜色表示不同的服装种类， 包含长袖， 短袖， 连衣裙， 裤子， 鞋子， 腰带， 围巾， 眼 镜， 外套， 短裙， 毛衣， 包， 领 带以及背心。权　利　要　求　书 2/2 页 3 CN 115393596 A 3