The invention discloses a weak supervision target segmentation method combining with classification task, which includes: building a target segmentation model combining with classification task, including segmentation module and classification module; using pixel level annotation data for training, using daisy similarity coefficient as the loss function of segmentation module and using cross entropy loss function as the loss function of classification module After using pixel level annotation data to train the number of iterations, add additional image level annotation data to train together, and use weak supervision loss function based on regional confidence map as the loss function of segmentation module and cross entropy loss function as the loss function of classification module; input the image to be segmented into the model to get segmentation results and classification results Then the segmentation results of the image classified as no target are all set as the background area. To some extent, this method solves the problem of difficulty in obtaining pixel level annotation samples and improves the accuracy of target segmentation.
【技术实现步骤摘要】
一种结合分类任务的弱监督目标分割方法
本专利技术属于图像处理领域的分割方法,适用于对有弱监督信息的图像数据进行目标分割处理,涉及一种结合分类任务的弱监督目标分割方法。
技术介绍
语义分割跟图像分类、目标检测被誉为机器视觉领域三大基础性问题。语义分割,即对图像中每个像素点都赋予一个类别信息,如在自动驾驶领域中,汽车摄像头拍摄的画面被自动分割成行人、道路、汽车等不同类别。可以看出,精确地区分图像中每个像素点的类别,是自动驾驶中避免产生事故、道路规划等的前提。语义分割相对于图像分类,不仅要考虑目标的类别信息,更需要考虑目标的位置信息,是计算机利用视觉理解自然世界的关键一步。随着深度学习理论和硬件的不断发展,深度学习在目标分割领域取得了飞跃式的进步。深度目标分割的运用依赖于大量的像素级别标注数据,以确保方法在实际场景的精确性。但是,获取一个高质量的像素级标注数据是十分困难的,可以想象,标注一个像素级的图片往往要花上几分钟。进一步地,像素级的标注费时费力且成本昂贵,这限制着深度目标分割的实际落地应用。相对地,弱监督的图像数据只需要标注图像的类别,可以以相对廉价且快速的方法获取。如何利用弱监督数据训练深度目标分割模型,成为一个具有重大现实意义的研究课题。它有利于降低数据采集的成本,加快目标分割算法的落地,推动自动驾驶、图像搜索等领域的发展。
技术实现思路
为了解决现有方法存在的问题,本专利技术从弱监督学习着手,提出了一种结合分类任务的弱监督目标分割方法,该方法能在像素级标注数据(即图像中每个像 ...
【技术保护点】
1.一种结合分类任务的弱监督目标分割方法,其特征在于,所述方法包括以下步骤:/n步骤S1:构建结合分类任务的目标分割模型,所述结合分类任务的目标分割模型包括分割模块和分类模块两部分,所述分割模块用于图像进行分割处理并产生分割结果图,所述分类模块用于判断图像中有无目标并产生分类结果;/n步骤S2:使用像素级目标标注数据训练结合分类任务的目标分割模型的参数,并采用戴斯相似性系数(Dice similarity coefficient,DSC)作为分割模块的损失函数以及采用交叉熵损失函数作为分类模块的损失函数,然后使用后向传播算法和自适应矩估计(adaptive moment estimation,ADAM)优化算法去最小化有监督信息的损失函数从而训练本步骤的目标分割模型;/n步骤S3:在使用像素级标注数据训练到设定的迭代次数后,加入额外的图像级标注数据共同训练目标分割模型的参数,并采用基于目标区域置信图(regional confidencemap)的弱监督损失函数作为分割模块的损失函数以及采用交叉熵损失函数作为分类模块的损失函数,然后使用后向传播算法和自适应矩估计优化算法去最小化弱监督信 ...
【技术特征摘要】
1.一种结合分类任务的弱监督目标分割方法,其特征在于,所述方法包括以下步骤:
步骤S1:构建结合分类任务的目标分割模型,所述结合分类任务的目标分割模型包括分割模块和分类模块两部分,所述分割模块用于图像进行分割处理并产生分割结果图,所述分类模块用于判断图像中有无目标并产生分类结果;
步骤S2:使用像素级目标标注数据训练结合分类任务的目标分割模型的参数,并采用戴斯相似性系数(Dicesimilaritycoefficient,DSC)作为分割模块的损失函数以及采用交叉熵损失函数作为分类模块的损失函数,然后使用后向传播算法和自适应矩估计(adaptivemomentestimation,ADAM)优化算法去最小化有监督信息的损失函数从而训练本步骤的目标分割模型;
步骤S3:在使用像素级标注数据训练到设定的迭代次数后,加入额外的图像级标注数据共同训练目标分割模型的参数,并采用基于目标区域置信图(regionalconfidencemap)的弱监督损失函数作为分割模块的损失函数以及采用交叉熵损失函数作为分类模块的损失函数,然后使用后向传播算法和自适应矩估计优化算法去最小化弱监督信息的损失函数从而训练本步骤的目标分割模型;
步骤S4:将需要分割的图像输入到步骤S3训练好的目标分割模型中,得到分割结果以及分类结果,然后将被分类为无目标的图像的分割结果全部置为背景区域。
2.根据权利要求1所述的一种结合分类任务的弱监督目标分割方法,其特征在于,步骤S1中,所述分割模块为U型网络,其结构与卷积自编码网络类似,包括收缩阶段和扩张阶段,并通过跳跃连接将扩张阶段的特征图与收缩阶段的特征图进行拼接;所述分类模块从分割模块的U型网络底端和右端的倒数第二层中引出数据流用以判断图像中是否存在目标。
3.根据权利要求1所述的一种结合分类任务的弱监督目标分割方法,其特征在于,在步骤S2中,所述的戴斯相似性系数如下所示:
其中,C为图像分割的类别数量;H和W为图像的长和宽;ph,w,c代表模型输出,即将像素(h,w)预测为c类的概率;gh...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。