基于轻量可变形编解码网络的刻蚀图像分割

作者：尚佳童; 雷涛; 张栋; 杜晓刚; 翟钰杰

来源：计算机工程, 2022, 1-12.

DOI：10.19678/j.issn.1000-3428.0065091

• 油藏驱替
• 图像分割
• 深度卷积神经网络
• 可变形卷积
• 注意力机制

对油藏驱替刻蚀图像进行分割并根据分割结果计算驱油率是衡量油藏驱替技术的重要手段。由于刻蚀图像边缘模糊、噪声大且水油像素分散，主流的图像分割网络难以获得较好的分割结果。针对上述问题，提出一种用于刻蚀图像分割的轻量可变形编解码网络（Lightweight Deformable Feature Encoder-Decoder Network， LDNet）。首先，在特征编码阶段，提出的轻量可变形特征编码模块不仅能利用偏移量学习水油目标形状和边缘特征，进而改善网络的特征表达能力，而且能通过深度卷积和逐点卷积来有效降低网络参数量。其次，在特征融合阶段设计了协同耦合注意力模块，该模块将通道注意力进行分解，分别沿两个空间方向聚合特征，将特征图编码为方向和位置感知的特征图，从而将位置信息嵌入到通道注意力中，提升了模型的鲁棒性。实验结果表明，针对油藏驱替图像，LDNet分割精度为89.94%，且模型大小仅为16.63M，能在资源受限的设备中有效提高刻蚀图像的分割精度，降低驱油率误差并提高模型的推理速度，在油藏驱替应用方面具有广阔的前景。

• 单位
  陕西科技大学