基于多层次自注意力机制的U-Net图像分割算法

针对U-Net图像分割在下采样过程中会丢失过多信息且在上采样过程恢复效果不佳，从而导致图像分割精度降低的缺陷，提出了一种基于多层次自注意力机制的U-Net图像分割算法。该多层次自注意力机制在每一层上采样层前均嵌入自注意力模块，将上采样层的输入与缩放的原图拼接后处理成模板图，再与原本的输入信息融合后输出到上采样层。该算法不仅能通过拼接原图的自注意力模块进一步提供更多细节信息，还能利用上采样层的特征选择功能减少拼接原图带来的背景噪音，提高模型的分割精度。最后，在PASCAL VOC数据集和DeepFashion2数据集的基础上进行了人体分割和服装分割实验。实验结果 证明，该方法 能较好地改善图像的分割性能，从而证明了其正确性和有效性。