一种基于变分原型推理的小样本下语义分割方法技术

本发明专利技术公开了一种基于变分原型推理的小样本下语义分割方法，属于计算机视觉语义分割领域，一种基于变分原型推理的小样本下语义分割方法，本发明专利技术首次提出了利用变分原型推理，将小样本下语义分割纳入到一个概率框架中，在该概率框架中，原型表示不再是固定数值的向量表示，而是一个分布，用变分推理中隐含空间的分布表示原型的分布，在小样本情况下增加整体原型的泛化能力，以适应小样本表示出来的不确定性；并且，本发明专利技术首次提出概率框架下适合图像语义分割的变分原型推理的目标函数，辅助进行小样本下语义分割过程，本发明专利技术经多次试验可以证明，在利用单幅支持集图像的情况下，也得到了很好的分割效果。

【技术实现步骤摘要】
一种基于变分原型推理的小样本下语义分割方法
本专利技术涉及计算机视觉语义分割领域，更具体地说，涉及一种基于变分原型推理的小样本下语义分割方法。
技术介绍
深度学习曾广泛用于计算机视觉的语义分割中，但由于在实际语义分割应用中，带标注的支持数据少，导致学习得到的深度模型性能受影响。目前，基于原型的方法比较流行，这里原型指表示一类物体的表征，在深度学习框架中就是根据支持图像和它对应的物体的标注信息，经过一个深度神经网络产生的输出。换而言之，原型就是在输入支持图像和物体类别之间的一个关联映射。对于小样本下的语义分割，基本上还是基于原型方法，其中原型的表示有多种形式。一采用将支持图像特性进行池化作为原型，将其和待分割的图像特征一起，产生分割映射。二采用带屏蔽的均值池化从支持图像抽取原型表示，通过计算原型表示和待分割图像之间的余弦距离来预测分割映射。但这些方法都是原型是固定的，因此缺乏泛化性。计算机视觉中的语义分割，指将图像中感兴趣的物体从背景中分离出来。目前一般的方式是从支持图像(带标注的图像)中抽取一个全局的描述作为原型，用来帮助待分割本文档来自技高网...

【技术保护点】
1.一种基于变分原型推理的小样本下语义分割方法，其特征在于：包括以下步骤：/n输入：已知的待分割图像x

【技术特征摘要】
1.一种基于变分原型推理的小样本下语义分割方法，其特征在于：包括以下步骤：
输入：已知的待分割图像xq和带标注的支持集图像S，以及通过分割学习过程得到的先验网络参数θ和分割网络参数ψ；
输出：分割图像映射
S1、根据先验概率网络产生支持集图像S对应的均值和方差如下：
μprior，σprior←PriorNet(S；θ)；
S2、计算先验概率网络映射的空间z隐含表示：
z←μprior+∈⊙σprior，∈～N(0，1)；
S3、对S2中的z进行多次采样，生成z(l)；
S4、将每一个z(l)和xq送入到分割网络，生成如下如下：

。


2.根据权利要求1所述的一种基于变分原型推理的小样本下语义分割方法，其特征在于：所述分割学习过程中包括三个网络：先验网络、后验网络和分割网络。


3.根据权利要求2所述的一种基于变分原型推理的小样本下语义分割方法，其特征在于：在所述先验网络中，输入为S支持图像和对应的标注图像，输出为z的分布，所述z的分布包括高斯分布μpriorh和σpriorh，其概率模型表示为pθ(z|S)，式中：θ为先验网络参数。


4.根据权利要求2所述的一种基于变分原型推理的小样本下语义分割方法，其特征在于：在所述后验网络中，输入为待标注图像xq和其对应的标注yq，输出是z的分布，所述z的分布包括高斯分布μpost和σpost，其概率模型表示为qφ(z|xq，yq)，式中：φ为后验网络参数。


5.根据权利要求2所述的一种基于变分原型推理的小样本下语义分割方法，其特征在于：在所述分割网络中输入为待分割图像和从先验网络中生成的z，输出为分割后图像，其概率模型表示为pψ(yq|z，xq)，式中：ψ为分割网络参数。


6.根据权利要求2所述的一种基于变分原型推理的小样本下语义分割方法，其特征在于：所述先验网络、后验网络和分割网络三者之间的关...

【专利技术属性】
技术研发人员：甄先通，张磊，李欣，左利云，简治平，陈林凯，胥亮，李晓莹，
申请(专利权)人：广东石油化工学院，
类型：发明
国别省市：广东;44