一种基于细粒度特征分组的无监督语义分割方法技术

本发明专利技术公开了一种基于细粒度特征分组的无监督语义分割方法，一方面使用胶囊网络对卷积神经网络提取到的特征进行提炼，保留重要信息，减少无关信息的干扰，提高整体的分割效果。另一方面使用超像素分割对图片进行预分割，并用这些预分割的区域边界，指导后续像素特征进行细粒度分组，解决边界模糊时分割不好的问题。本发明专利技术根据分割边界将后续高级语义信息进行细粒度特征分组，作为Capsule层的输入，能够减少胶囊的数量；在每个超像素块内进行中心差分，能够突出像素块中的分割边缘的细节信息；将差分图像和多尺度特征图进行融合，共同作为胶囊层的输入能够提高网络对分割边界的表达能力。能力。能力。

【技术实现步骤摘要】
一种基于细粒度特征分组的无监督语义分割方法


[0001]本专利技术属于计算机视觉
，具体涉及一种基于细粒度特征分组的无监督语义分割方法。

技术介绍

[0002]图像语义分割任务是计算机视觉领域中重要的组成部分。它旨在利用人工智能技术，对图像中的每个像素点进行分类，从而将图像中感兴趣的区域凸显出来。它被广泛应用到人脸识别、车牌识别、卫星图像分析、自动驾驶、人机交互、视频处理等场景。常用的语义分割方法大多是有监督的，需要事先对图像中的目标区域进行像素级别的标注，而通常训练所需的数据量较多，这往往需要耗费大量的人力和时间。同时，由于标注的类别是固定的，导致它学习到的模型仅限于几个标记的类别，不能泛化到未知的类别。无监督语义分割方法能够很好的解决这个问题，它无需数据标注既能实现端到端的语义分割。但是无监督语义分割的分割效果却远不如有监督语义分割，如何提高无监督语义分割的准确率成为了一个重要的研究方向。
[0003]现有的已公开的无监督语义分割方法主要的检测思路有以下几种：公开号为CN202110600887的中国专利申请（下称专利1）中提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于细粒度特征分组的无监督语义分割方法，其特征在于，包括如下步骤：步骤1，获取待分割的图像；步骤2，将图像输入到无监督语义分割模型中，获取语义分割结果，具体包括如下步骤：步骤2
‑
1，特征图提取，包括如下过程：无监督语义分割模型中的Encoder模块采用带有ASPP的DCNN对图像进行多尺度特征提取，得到多尺度特征图；原始图像经过7x7卷积后得到低级语义特征图；步骤2
‑
2，利用超像素分割作为先验，FFG
‑
Capsule模块对特征图进行细粒度特征分组和融合；包括如下过程：使用slic方法对原始输入图像进行超像素分割，获取基于低级语义信息的分割边界；将分割边界作为先验，根据超像素块的分割边界，将低级语义特征图进行细粒度特征分组，每个特征块分成一组；在特征块内进行中心差分处理，得到中心差分图；将多尺度特征图根据超像素块的分割边界进行特征分组；将经过特征分组的多尺度特征图与中心差分图一起输入Capsule层进行特征筛选，获取语义特征图；步骤2
‑
3，将FFG
‑
Ca...

【专利技术属性】
技术研发人员：于潇丹，
申请(专利权)人：南京亚信软件有限公司，
类型：发明
国别省市：