基于边缘知识转化的图像前景分割算法制造技术

基于边缘知识转化的图像前景分割算法，包括下列步骤：1)结合边缘自监督机制的图像分割框架构建；2)内边缘与外边缘判别器构建；3)伪分割三元组数据生成；4)基于目标类别极少量标注样本引导的双边缘对抗前景分割。通过上述步骤建立的基于边缘知识转化的图像前景分割算法，在极少量目标类别标注分割样本的引导下，内外边缘判别网络通过分割结果对抗的方式，将大量公开的非目标类别标注数据的边缘知识转化到目标类别图像的前景分割网络中，实现目标类别图像的前景物体分割。

【技术实现步骤摘要】
基于边缘知识转化的图像前景分割算法
本专利技术属于图像分割领域，针对基于深度学习的图像前景分割方法存在需要大量标注样本的不足以及已有基于深度学习的分割网络需要具备类别的识别能力存在网络能力占用的问题，提出了一种基于边缘知识转化的图像前景分割算法，模仿人眼进行图像分割不需要知道前景物体类别信息仅通过物体边缘便能够分割的能力，实现在大量非目标类别开源图像分割数据集边缘知识的基础上，利用极少量目标类别标注图像的监督约束，结合边缘相关的自监督模块，完成了极少量标注样本引导的图片前景分割。
技术介绍
随着计算机技术的不断发展，深度学习技术在计算机的各个领域中均取得了突破性的进展。然而，现有的深度学习技术的成功应用，大部分均依赖于大量的标注数据。为了克服需要大量标注数据来训练深度网络的不足，已有诸多研究者开展了相关的研究工作，诸如：无监督学习、小样本学习、迁移学习、半监督学习等。在图像分割领域中，上述针对需要大量标注样本的方法存在各自的不足。无监督的图像分割方法存在不可控的问题，无法控制需要分割那个部分或者类别，且无监督的图像分割方法需要根据特定分割场景而本文档来自技高网...

【技术保护点】
1.基于边缘知识转化的图像前景分割算法，包括下列步骤：/n1)结合边缘自监督机制的图像分割框架构建；/n在选取DeepLabV3+网络作为主体分割网络F的基础上，对于输入的目标类别前景分割图片I，通过仿射变换A将输入图片进行转换获得A*I，将原始图片I与转换后图片A*I均输入基础分割网络，获得对应预测分割结果F(I)与F(A*I)，将原始图片对应的分割结果F(I)通过同一个仿射变换A转变为A*F(I)，对于原始图片对应的转换预测分割结果A*F(I)与转换图片对应的分割结果F(A*I)，均通过膨胀预测分割结果减去腐蚀预测分割结果的形式获得对应的边缘掩码m与m′，利用L

【技术特征摘要】
1.基于边缘知识转化的图像前景分割算法，包括下列步骤：
1)结合边缘自监督机制的图像分割框架构建；
在选取DeepLabV3+网络作为主体分割网络F的基础上，对于输入的目标类别前景分割图片I，通过仿射变换A将输入图片进行转换获得A*I，将原始图片I与转换后图片A*I均输入基础分割网络，获得对应预测分割结果F(I)与F(A*I)，将原始图片对应的分割结果F(I)通过同一个仿射变换A转变为A*F(I)，对于原始图片对应的转换预测分割结果A*F(I)与转换图片对应的分割结果F(A*I)，均通过膨胀预测分割结果减去腐蚀预测分割结果的形式获得对应的边缘掩码m与m′，利用L2范式约束原始图片对应的边缘分割结果m*A*F(I)与仿射变换图片对应的边缘分割结果m′*F(A*I)保持一致|m*A*F(I)-m′*F(A*I)|2，可形成自监督信息用于强化前景分割网络的分割一致性；
2)内边缘与外边缘判别器构建；
为实现边缘知识的转化，首先构建了二分类的外边缘判别器Dout，判别器为通用二分类卷积神经网络，对于输入的非目标类别图片I′，利用对应的标注mo获得前景物体mo*I′，外边缘判别器Dout用于判别前景物体边缘是否包含背景特征，所组成的三元组{I′，mo，mo*I′}经过外边缘判别器Dout判断为真；然后构建了二分类的内边缘判别器Din，对于输入的非目标分割类别图片I′，利用对应的前景物体置反标注1-mo获得背景部分(1-mo)*I′，内边缘判别器Din用于判别背景部分的边缘是否...

【专利技术属性】
技术研发人员：冯尊磊，程乐超，宋杰，孙立，宋明黎，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33