一种难样本实例分割方法、设备及计算机可读存储介质技术

本发明专利技术公开了一种难样本实例分割方法、设备及计算机可读存储介质，包括：图像的预处理，用于使图像的前景和背景易于区分；图像的难样本分割，用于区分图像中的正样本和负样本；图像的卷积训练，用于图像中难样本的实例分割。本发明专利技术对原始图像进行预处理，使图像的前景和背景更容易区分，边界更清晰。对预处理后的图像进行难样本分割，提升卷积训练时的识别精度。进行卷积训练，能够契合大规模的训练样本，进行自主学习，大量的训练样本有利于激活深度网络神经元，记忆式地存储解析目标物体不同颜色、形态、环境下的状态。

【技术实现步骤摘要】
一种难样本实例分割方法、设备及计算机可读存储介质
本专利技术涉及计算机视觉与图形图像处理领域，尤其涉及的是一种难样本实例分割方法、设备及计算机可读存储介质。
技术介绍
对图像数据集进行精确的实例分割，在无人驾驶、机器人、虚拟现实等人工智能领域有着至关重要的作用。在目前的实例分割方法中，可以将其分为两类：基于传统方法的实例分割算法以及基于深度学习的实例分割算法。基于传统方法实现实例分割：传统方法有基于区域的分割方法，如将图像分割成小的具有同性质的图像块和使用多个颜色空间对图像进行分割的方法。还有马尔科夫随机场(MRF)模型，利用MFR生成的间接估计的随机过程对图像进行分割的方法，条件随机场(CRF)模型方法也经常作为基于深度学习的语义分割算法的后处理模块，对图像进行细化分割。但是传统的实例分割方法分割精度较低。基于深度学习的实例分割方法，maskrcnn是在fasterrcnn的基础上将RoIPooling层替换成了RoIAlign层，并且添加了一个mask分支，实现了从目标检测，目标分类到实现实例分割技术的进化，ROIA本文档来自技高网...

【技术保护点】
1.一种难样本实例分割方法，其特征在于，包括：/n图像的预处理，用于使图像的前景和背景易于区分；/n图像的难样本分割，用于区分图像中的正样本和负样本；/n图像的卷积训练，用于图像中难样本的实例分割。/n

【技术特征摘要】
1.一种难样本实例分割方法，其特征在于，包括：
图像的预处理，用于使图像的前景和背景易于区分；
图像的难样本分割，用于区分图像中的正样本和负样本；
图像的卷积训练，用于图像中难样本的实例分割。


2.根据权利要求1所述难样本实例分割方法，其特征在于：利用锐化和聚类的方法对图像数据进行预处理。


3.根据权利要求2所述难样本实例分割方法，其特征在于：所述锐化为拉普拉斯锐化，所述聚类为K均值聚类。


4.根据权利要求1所述难样本实例分割方法，其特征在于：所述图像的难样本分割包括有：
图像的分类，使用分类器对预处理后的图像进行分类；
图像IOU值的计算，计算分类后图像的IOU值，并设定IOU阈值；
对比IOU值与设定的IOU阈值，将IOU值大于IOU阈值的图像输出。


5.根据权利要求4所述难样本实例分割方法，其特征在于：所述IOU阈值为0.5。


6.根据权利要求4所述难样本实例分割方法，其特征在于：所...

【专利技术属性】
技术研发人员：薛均晓，程君进，徐明亮，吕培，
申请(专利权)人：郑州大学，
类型：发明
国别省市：河南;41