張博源, 黃成泉, 王 琴, 萬(wàn)林江, 周麗華

(貴州民族大學(xué) a.數(shù)據(jù)科學(xué)與信息工程學(xué)院; b.工程技術(shù)人才實(shí)踐訓(xùn)練中心,貴陽(yáng) 550025)

少數(shù)民族是中華民族的重要組成部分,并且在其發(fā)展歷程中開(kāi)創(chuàng)出各自的文化底蘊(yùn)。少數(shù)民族服飾是少數(shù)民族特有的文化符號(hào)之一,而少數(shù)民族服飾圖案是少數(shù)民族人民心血和智慧的結(jié)晶,這些圖案元素代表了他們對(duì)民族文化的認(rèn)同和美好愿望的期許,更是象征其文化的傳承和延伸。但是受現(xiàn)代流行文化的沖擊,少數(shù)民族服飾文化逐漸式微,研究少數(shù)民族服飾圖案對(duì)研究少數(shù)民族的歷史變遷和文化特性有著重大意義。少數(shù)民族服飾圖案分割作為研究少數(shù)民族服飾文化的首要工作,是其重中之重,而少數(shù)民族服飾圖案有色彩艷麗、元素復(fù)雜、紋飾多樣等特點(diǎn)。因此,對(duì)少數(shù)民族服飾圖案分割存在較大難度,目前對(duì)少數(shù)民族服飾圖案分割的特征進(jìn)行抽離、分類(lèi)、識(shí)別和保存方面的研究還很少。

自VGG模型的提出,隨著計(jì)算機(jī)算力的快速提升,近年來(lái)基于深度學(xué)習(xí)的研究方法在醫(yī)學(xué)、自動(dòng)駕駛、人工智能等領(lǐng)域取得重大突破,尤其在圖像分類(lèi)、目標(biāo)檢測(cè)、圖像分割等計(jì)算機(jī)視覺(jué)任務(wù)中收獲頗豐。2015年,SHELHAMER等[1]提出全卷積神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)圖像語(yǔ)義分割,越來(lái)越多的基于深度學(xué)習(xí)的圖像分割模型被提出。比較經(jīng)典的基于深度學(xué)習(xí)的分割模型有U-Net模型[2]、FusionNet模型、Deeplabv3+模型[3]及Attention-UNet模型等,這些研究方法目前通常被用于研究醫(yī)學(xué)圖像、自然圖像及合成圖像等,而諸如Mask Transfiner模型、Swin Transformer模型[4]及SETR[5]模型等,通常只適合應(yīng)用在大規(guī)模圖像數(shù)據(jù)集。在少數(shù)民族服飾分割研究領(lǐng)域,覃琴等[6]提出一種基于漸進(jìn)式注意力學(xué)習(xí)的多尺度深度學(xué)習(xí)模型用于苗族服飾圖像語(yǔ)義分割研究,并且取得了不錯(cuò)的研究成果,但是不能實(shí)現(xiàn)對(duì)苗族服飾圖案的細(xì)節(jié)分割。趙海英等[7]針對(duì)傳統(tǒng)服飾圖像提出一種基于卷積注意力特征的殘差期望最大化注意力語(yǔ)義分割網(wǎng)絡(luò)模型,實(shí)現(xiàn)了對(duì)傳統(tǒng)民族服飾圖案的語(yǔ)義分割,具有較強(qiáng)的借鑒意義。馮潤(rùn)等[8]提出一種基于模糊擬合圖像驅(qū)動(dòng)的苗族服飾圖像分割算法,能夠?qū)崿F(xiàn)對(duì)苗族服飾圖案較為精細(xì)的分割,并且分割效果不錯(cuò)。

針對(duì)以上問(wèn)題,為保護(hù)少數(shù)民族服飾文化的傳遞,同時(shí)為了增加對(duì)少數(shù)民族服飾文化的研究為目的,本文以苗族服飾圖案分割為研究目標(biāo)。苗族服飾圖案通常具有如下特點(diǎn):1) 大多苗族服飾圖案的內(nèi)容豐富奇妙,多以山川、鳥(niǎo)獸、花卉為主體,同時(shí)穿插各種自然圖騰、線(xiàn)條、紋飾,因此苗族服飾圖案通常極為復(fù)雜,遍布各種元素內(nèi)容。2) 設(shè)計(jì)上美觀巧思、大膽前衛(wèi),同時(shí)色彩搭配考究。苗族服飾圖案的構(gòu)圖布局變幻莫測(cè),苗族服飾圖案上的內(nèi)容常以對(duì)稱(chēng)式、環(huán)繞式、左右式、中心式為主。而在色彩使用上多是鮮艷明亮為主,同時(shí)搭配上冷色調(diào)的背景,從而使各元素內(nèi)容主次分明,錯(cuò)落有致。因此苗族服飾圖案同時(shí)兼具構(gòu)圖多樣,色彩豐富的特點(diǎn)。3) 苗族服飾通常工藝復(fù)雜,一種工藝一般包含多種工序,現(xiàn)有蠟染、刺繡、織花等工藝,在紡織時(shí),有時(shí)數(shù)種工藝交替使用,因此苗族服飾圖案大多風(fēng)格迥異,不盡相同,無(wú)特定規(guī)律可循。結(jié)合上述苗族服飾圖案的特點(diǎn),苗族服飾圖案分割具有較大的挑戰(zhàn)性,于是本文提出了一種融合U-Net模型和注意力機(jī)制的RSKP-UNet(Residual Selective-Kernel Parallel U-Net)模型用于苗族服飾圖案分割研究,并且引入了一種基于IoU的損失函數(shù)[9],利用馮潤(rùn)等[8]的研究成果制作苗族服飾圖案人工數(shù)據(jù)集,然后使用提出的模型在數(shù)據(jù)集上進(jìn)行訓(xùn)練和驗(yàn)證。

1 算法原理

1.1 RSKP-UNet模型

U-Net模型作為醫(yī)學(xué)領(lǐng)域最常用的圖像分割模型,存在模型輕量化的優(yōu)點(diǎn),方便進(jìn)行部署,可以針對(duì)特定的任務(wù)進(jìn)行改進(jìn),并且該模型能夠在小規(guī)模圖像數(shù)據(jù)集上進(jìn)行訓(xùn)練,仍然可以獲得不錯(cuò)的圖像分割效果。于是本文在U-Net模型基礎(chǔ)上對(duì)其進(jìn)行適當(dāng)改進(jìn),然后提出了針對(duì)苗族服飾圖案分割研究的RSKP-UNet模型。基于RSKP-UNet的苗族服飾圖案分割模型如圖1所示。

圖1 RSKP-UNet模型的整體網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Overall network structure of the RSKP-UNet model

U-Net模型整體上可以分為兩個(gè)部分,分別是編碼器部分和解碼器部分,編碼器部分的作用是用于對(duì)輸入的圖像進(jìn)行特征提取,以此逐步獲得高階語(yǔ)義信息,解碼器部分的作用是進(jìn)行跨尺度的特征融合并輸出預(yù)測(cè)的結(jié)果。本文首先改進(jìn)的地方是在U-Net模型的編碼器,U-Net模型中除了第一個(gè)卷積塊,將編碼器中用于下采樣的卷積塊替換為ResNet模型[10]中的Residual模塊組,每個(gè)Residual模塊組包含兩個(gè)Residual模塊,第一個(gè)Residual模塊用于下采樣獲取高階語(yǔ)義信息,第二個(gè)Residual模塊起到加快特征傳遞和防止模型過(guò)擬合的作用。然后,改進(jìn)的地方是在U-Net模型的解碼器,在解碼器部分中的前三次拼接后加入SKNet(Selective Kernel Networks)模型[11]中的SKNet模塊,SKNet模塊的作用是抑制上采樣過(guò)程中產(chǎn)生的特征圖中的不相關(guān)的特征信息,在第四次拼接后加入ParNet((Parallel Networks)模型中的ParNet模塊,ParNet模塊能夠增加模型的特征表達(dá)能力,使模型具有更多的非線(xiàn)性能力,同時(shí)具備多尺度的特征融合能力,ParNet模塊具有防止模型過(guò)擬合的作用。

1.2 Residual模塊

本文在編碼器部分用兩個(gè)Residual模塊組成的Residual模塊組去替換U-Net模型的每一次下采樣,Residual模塊是在ResNet模型中提出來(lái)的,本文使用的Residual模塊有兩種結(jié)構(gòu),每次同時(shí)使用兩個(gè)Residual模塊,并且每次先使用如圖2(a)所示的Residual模塊,再使用如圖2(b)所示的Residual模塊。第一種Residual模塊的操作是將輸入的特征圖進(jìn)行不同的卷積操作后再進(jìn)行融合,其中由于第一個(gè)3×3的卷積核的移動(dòng)步長(zhǎng)為2,而第二個(gè)3×3的卷積核的移動(dòng)步長(zhǎng)為1,因此實(shí)現(xiàn)了下采樣捕獲特征的作用。由于苗族服飾圖案內(nèi)容復(fù)雜多樣、色彩豐富、紋理細(xì)密、細(xì)節(jié)較多的特點(diǎn),Residual模塊可以更好地提取這些特征,并且進(jìn)行特征傳遞,減少在下采樣過(guò)程中苗族服飾圖案細(xì)節(jié)內(nèi)容的丟失。

圖2 ResNet中的兩種Residual模塊的網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Network structure of the two Residual modules in ResNet

第二種Residual模塊的操作是將輸入的特征圖進(jìn)行卷積操作后再與輸入進(jìn)行融合,由于兩個(gè)3×3的卷積核的移動(dòng)步長(zhǎng)都為1,所以不改變輸入特征圖的分辨率大小,同時(shí)不改變輸入特征圖的通道數(shù)。由于苗族服飾圖案的特征較多,此Residual模塊的作用是防止模型過(guò)擬合,以此提高模型的泛化能力,使模型可以有效地學(xué)習(xí)苗族服飾圖案的各種特征,從而準(zhǔn)確地進(jìn)行苗族服飾圖案的分割。

1.3 SKNet模塊

SKNet模塊由三部分組成,分別是Split、Fuse和Select。Split部分是用不同的卷積核從多尺度學(xué)習(xí)特征圖的特征,由于苗族服飾圖案的分辨率較高,不同的卷積核可以讓模型具有不同的感受野,從而使模型對(duì)苗族服飾圖案有從細(xì)節(jié)到整體結(jié)構(gòu)的特征學(xué)習(xí)。Fuse部分是從不同的卷積核獲得的特征圖進(jìn)行通道注意力操作,從而可以讓模型賦予更重要的特征圖有更高的通道權(quán)重,降低不重要特征圖的通道權(quán)重,從而減少模型對(duì)苗族服飾圖案的錯(cuò)誤分割。Select部分是將不同的卷積核的特征映射進(jìn)行再聚合,使模型可以獲得帶有權(quán)重系數(shù)的特征圖,增強(qiáng)模型的特征表達(dá)。SKNet模塊的結(jié)構(gòu)如圖3所示。

圖3 SKNet模塊的網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Network structure of the SKNet module

本文之所以在上采樣后加入SKNet模塊,是因?yàn)榻獯a器中的上采樣過(guò)程會(huì)產(chǎn)生不相關(guān)的特征信息,而通過(guò)拼接的方式進(jìn)行特征融合,可以降低不相關(guān)特征信息對(duì)后續(xù)輸出分割結(jié)果的影響。但是無(wú)法實(shí)現(xiàn)精細(xì)度的分割,而苗族服飾圖案的細(xì)節(jié)內(nèi)容較多,SKNet模塊可以使模型在上采樣后恢復(fù)一定的苗族服飾圖案細(xì)節(jié)。

1.4 ParNet模塊

ParNet模塊的結(jié)構(gòu)可以分為三部分,分別是SSE(Skip-Squeeze-Excitation)及兩個(gè)不同的卷積核,其中SSE部分包含了全局平均池化操作和sigmoid激活函數(shù)。將SSE與兩個(gè)不同的卷積核的卷積結(jié)果進(jìn)行融合,再通過(guò)SiLU激活函數(shù)。由于在模型輸出預(yù)測(cè)的分割結(jié)果前,已經(jīng)在前三次拼接后加入SKNet模塊,SKNet模塊從多尺度卷積下進(jìn)行特征學(xué)習(xí),為防止模型過(guò)擬合,并且為模型增加更多的非線(xiàn)性能力,因此在最后一次拼接后加入ParNet模塊。ParNet模塊的結(jié)構(gòu)如圖4所示。

圖4 ParNet模塊的網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 Network structure of the ParNet module

2 基于Lovász-hinge的苗族服飾圖案分割損失函數(shù)

圖像分割領(lǐng)域最常用的損失函數(shù)是BCE(Binary Cross Entropy)損失函數(shù),其主要是對(duì)每個(gè)類(lèi)別進(jìn)行平等的評(píng)估,因此更容易學(xué)習(xí)分類(lèi)占比更高的樣本,而難以解決樣本類(lèi)別不均衡的問(wèn)題。BCE損失函數(shù)的公式如下:

(1)

式中:N為圖像像素點(diǎn)的個(gè)數(shù),n為每次訓(xùn)練的次數(shù),xn為損失函數(shù)訓(xùn)練的自變量,yn為梯度變化的因變量。

由于苗族服飾圖案的復(fù)雜性,苗族服飾圖案中分割目標(biāo)像素通常遠(yuǎn)多于背景像素,因此苗族服飾圖案數(shù)據(jù)集一般存在樣本類(lèi)別不均衡的問(wèn)題,所以BCE損失函數(shù)不再適用。針對(duì)這樣的問(wèn)題,本文使用Lovász-hinge損失函數(shù)對(duì)苗族服飾圖案進(jìn)行分割計(jì)算,Lovász-hinge損失函數(shù)是一種基于IoU的損失函數(shù)[9],可以通過(guò)對(duì)IoU優(yōu)化進(jìn)行損失計(jì)算。IoU也被稱(chēng)作Jaccard指數(shù),其計(jì)算公式如下:

(2)

而Jaccard loss的公式為:

(3)

由于Jaccard loss只能夠進(jìn)行離散情況下的損失計(jì)算,但是神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)輸出是連續(xù)的,所以式(3)無(wú)法進(jìn)行求導(dǎo)計(jì)算,如果不能求導(dǎo)就不能進(jìn)行參數(shù)更新,因此Jaccard loss不可以直接加在神經(jīng)網(wǎng)絡(luò)中。由于Jaccard loss是子模函數(shù),所以可以對(duì)其進(jìn)行Lovász extension[12-14]從而變得連續(xù)可導(dǎo),而Jaccard loss經(jīng)過(guò)Lovász extension后就成為了Lovász-hinge損失函數(shù),從而可以解決上述問(wèn)題。

3 結(jié)果及分析

3.1 實(shí)驗(yàn)流程

首先,制作苗族服飾圖案數(shù)據(jù)集,并將數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集;然后,在搭建好的實(shí)驗(yàn)平臺(tái)上,用本文提出的模型在訓(xùn)練集上進(jìn)行訓(xùn)練學(xué)習(xí),再用訓(xùn)練好的模型在測(cè)試集上進(jìn)行分割;最后,用本文提出的模型與其他分割模型進(jìn)行實(shí)驗(yàn)對(duì)比,用評(píng)價(jià)指標(biāo)衡量分割效果。整個(gè)實(shí)驗(yàn)的流程如圖5所示。

圖5 實(shí)驗(yàn)的流程Fig.5 Process of the experiment

3.2 數(shù)據(jù)集及制作

本文的苗族服飾圖案數(shù)據(jù)集的原始圖像來(lái)源于北京服裝學(xué)院民族服飾博物館,在其網(wǎng)站上采集原始彩色圖像,通過(guò)裁剪的方式獲得240幅原始圖像(Original image),并將每幅圖像調(diào)整為分辨率512×512像素,通過(guò)馮潤(rùn)等[8]的研究成果制作苗族服飾圖案數(shù)據(jù)集的人工標(biāo)簽(Label),從而實(shí)現(xiàn)了整個(gè)數(shù)據(jù)集的制作。將數(shù)據(jù)集按照9︰1的比例劃分為訓(xùn)練集和測(cè)試集。

3.3 實(shí)驗(yàn)環(huán)境

本文的實(shí)驗(yàn)環(huán)境基于深度學(xué)習(xí)框架Pytorch結(jié)合Python編程語(yǔ)言進(jìn)行搭建。計(jì)算機(jī)的配置如下:操作系統(tǒng)為Ubuntu 16.04,系統(tǒng)內(nèi)存為16 GB,CPU為Intel Core i7-7700K@4.2 GHz,GPU為NVIDIA GeForce GTX 1080,顯存為8 G。本文實(shí)驗(yàn)用Adam優(yōu)化器進(jìn)行網(wǎng)絡(luò)優(yōu)化,網(wǎng)絡(luò)初始學(xué)習(xí)率設(shè)置為0.000 1,Deeplabv3+模型的批量大小為2,其余模型的批量大小均為1,模型訓(xùn)練的迭代次數(shù)為15次。

3.4 評(píng)價(jià)指標(biāo)

本文為了有效地對(duì)提出的模型進(jìn)行評(píng)估,引入5種評(píng)價(jià)指標(biāo),分別是Dice系數(shù)、IoU、精確率(Precision)、召回率(Recall)及準(zhǔn)確度(Accuracy),從而實(shí)現(xiàn)對(duì)客觀實(shí)驗(yàn)的真實(shí)評(píng)價(jià)。在圖像分割任務(wù)中,分割的樣本可以分為四個(gè)類(lèi)別,真陽(yáng)性(TP)代表的是分類(lèi)正確的正樣本;真陰性(TN)代表的是分類(lèi)正確的負(fù)樣本;假陽(yáng)性(FP)表示的是被錯(cuò)誤分類(lèi)為正樣本的負(fù)樣本;假陰性(FN)代表的是被錯(cuò)誤分類(lèi)為負(fù)樣本的正樣本。5種評(píng)價(jià)指標(biāo)的公式如下:

(4)

(5)

(6)

(7)

(8)

3.5 不同損失函數(shù)的苗族服飾圖案分割結(jié)果對(duì)比

為了驗(yàn)證本文引入的針對(duì)苗族服飾圖案分割的損失函數(shù)的有效性,分別用BCE損失函數(shù)和Lovász-hinge損失函數(shù)進(jìn)行性能對(duì)比實(shí)驗(yàn),同時(shí)為了避免是本文提出的模型對(duì)實(shí)驗(yàn)結(jié)果造成的影響,對(duì)比實(shí)驗(yàn)用U-Net模型,如表1所示。

表1 U-Net模型在不同損失函數(shù)下的分割性能對(duì)比Tab.1 Comparison of segmentation performance of U-Net modelby different loss functions

在U-Net分割模型下,只替換損失函數(shù),保證實(shí)驗(yàn)的其他各項(xiàng)參數(shù)一致,可見(jiàn)Lovász-hinge損失函數(shù)的各項(xiàng)指標(biāo)均優(yōu)于BCE損失函數(shù),并且有了較大提升。針對(duì)苗族服飾圖案的特點(diǎn),Lovász-hinge損失函數(shù)能夠有效地應(yīng)用于苗族服飾圖案分割。

3.6 不同分割模型的苗族服飾圖案分割性能對(duì)比

本文選用了幾種經(jīng)典的主流分割模型與本文提出的模型進(jìn)行了對(duì)比。苗族服飾圖案大體涵蓋3種不同的風(fēng)格,每種風(fēng)格挑選3張圖像,于是從測(cè)試集中挑選了共計(jì)9張圖像進(jìn)行展示,如圖6所示。第一列為苗族服飾圖案的原始圖像;第二列為苗族服飾圖案的人工標(biāo)簽;第三列為U-Net分割模型的分割結(jié)果;第四列為Attention-UNet分割模型的分割結(jié)果;第五列為Deeplabv3+分割模型的分割結(jié)果;第六列為FusionNet分割模型的分割結(jié)果;最后一列是本文提出的分割模型的分割結(jié)果。

圖6 不同模型的苗族服飾圖案分割結(jié)果對(duì)比Fig.6 Comparison of segmentation results of Miao costume patterns with different models

第一種苗族服飾圖案的原始圖像的風(fēng)格總體呈現(xiàn)色彩豐富度較高,但是飽和度較低的特點(diǎn),如圖6(a)所示的三張?jiān)紙D像,因此分割存在一定的挑戰(zhàn)性。其中Deeplabv3+和Attention-UNet的分割結(jié)果最差,Deeplabv3+分割模型幾乎不能完成基本的分割任務(wù),而本文提出的模型相比其他分割模型,分割圖案的輪廓清晰,錯(cuò)分的情況也少于其他模型,這得益于本文提出的模型中的SKNet模塊,能夠?qū)Ｗ⒂趯W(xué)習(xí)原始圖像的特征信息,起到注意力機(jī)制的注意力作用。第二種苗族服飾圖案的原始圖像的風(fēng)格總體呈現(xiàn)色彩對(duì)比度高,圖案單一重復(fù),同時(shí)構(gòu)圖具有對(duì)稱(chēng)性的特點(diǎn),如圖6(b)所示的三張?jiān)紙D像,因此分割難度不大,幾乎所有的分割模型都能較好地完成分割任務(wù)。本文提出的模型相比于其他分割模型,優(yōu)勢(shì)在于能夠表現(xiàn)出更多的圖案細(xì)節(jié),因此漏分的情況較少,所以與標(biāo)簽更加接近,這同樣得益于本文提出的模型,在實(shí)現(xiàn)基本的分割任務(wù)的同時(shí),充分還原苗族服飾圖案的細(xì)節(jié)內(nèi)容。第三種苗族服飾圖案的原始圖像的風(fēng)格總體呈現(xiàn)圖案內(nèi)容多,圖案的細(xì)膩程度高,如圖6(c)所示的三張?jiān)紙D像,因此分割的難度比較高。同時(shí)與圖6(b)的三張?jiān)紙D像相比,苗族服飾圖案存在樣本類(lèi)別不均衡的情況,而本文引入的Lovász-hinge損失函數(shù)可有效地解決這一問(wèn)題。在其他分割模型分割效果均不佳的情況下,本文提出的模型表現(xiàn)出了不錯(cuò)的分割結(jié)果,本文提出的模型充分地提取了圖案的特征信息并增強(qiáng)了圖案的細(xì)節(jié)表達(dá),因此分割結(jié)果中錯(cuò)分和漏分的像素很少,細(xì)節(jié)的還原度高,而其余模型的分割結(jié)果中明顯存在或多或少的錯(cuò)分和漏分情況。

綜上所述,從實(shí)驗(yàn)分割效果來(lái)看,本文提出的分割模型在苗族服飾圖案的分割效果優(yōu)于其余幾種分割模型,但是仍然需要從指標(biāo)層面定量分析不同實(shí)驗(yàn)的分割結(jié)果,如表2所示。

表2 不同模型的苗族服飾圖案分割性能對(duì)比Tab.2 Comparison of image segmentation performance ofMiao costume patterns with different models

從表2的實(shí)驗(yàn)結(jié)果顯示,Deeplabv3+的分割指標(biāo)最差,與圖6的分割結(jié)果表現(xiàn)基本一致,而本文提出的模型在分割指標(biāo)上均好于其他模型,其Dice系數(shù)達(dá)到了90.77%,IoU達(dá)到了83.25%,精確率達(dá)到了90.18%,召回率達(dá)到了92.26%,準(zhǔn)確度達(dá)到了91.16%。相比于基準(zhǔn)模型U-Net模型,在Dice系數(shù)、IoU、精確率、召回率及準(zhǔn)確度等指標(biāo)上分別提升了6.98%、11.07%、2.89%、6.75%及3.92%,因此從主觀和客觀兩方面的實(shí)驗(yàn)結(jié)果表明,本文提出的模型優(yōu)于其余4種模型。

4 結(jié) 論

苗族服飾作為苗族的文化符號(hào)之一,實(shí)現(xiàn)苗族服飾圖案的分割對(duì)研究苗族文化有著重大現(xiàn)實(shí)意義。為了解決苗族服飾圖案存在的樣本類(lèi)別不均衡的問(wèn)題,本文引入了Lovász-hinge損失函數(shù);為了提高苗族服飾圖案的分割精度,本文提出了一種基于RSKP-UNet的苗族服飾圖案分割模型。RSKP-UNet模型在U-Net模型上做了適當(dāng)改進(jìn),在U-Net模型的編碼器部分加入了Residual模塊,增加模型的特征提取能力,在解碼器部分融合了SKNet模塊和ParNet模塊,增加了多尺度特征融合后的特征表達(dá)能力,同時(shí)抑制冗余特征信息對(duì)分割的影響。實(shí)驗(yàn)結(jié)果表明,本文引入的Lovász-hinge損失函數(shù)顯著的提升了分割性能,提出的RSKP-UNet模型在指標(biāo)上整體均優(yōu)于其他4種對(duì)比分割模型。相比于基準(zhǔn)模型U-Net,Dice系數(shù)提升了6.98%,IoU提升了11.07%,精確率提升了2.89%,召回率提升了6.75%,準(zhǔn)確度提升了3.92%,所以本文提出的RSKP-UNet模型能夠較好地解決苗族服飾圖案分割問(wèn)題,且分割精度較高。因此,本文提出的分割算法通過(guò)對(duì)苗族服飾圖案的分割,實(shí)現(xiàn)了對(duì)苗族服飾圖案的元素內(nèi)容的提取,可以通過(guò)這樣的方式構(gòu)建苗族服飾圖案數(shù)據(jù)庫(kù),從而幫助設(shè)計(jì)師及相關(guān)研究學(xué)者和組織機(jī)構(gòu)提供研究基礎(chǔ),同樣本文也為其他少數(shù)民族服飾圖案分割研究提供了參考。

《絲綢》官網(wǎng)下載

中國(guó)知網(wǎng)下載