【技术实现步骤摘要】
一种基于深度学习的单阶段实例分割方法
[0001]本专利技术属于深度学习与计算机视觉
,具体涉及一种基于深度学习的单阶段实例分割方法。
技术介绍
[0002]实例分割是一项最相似于人眼视觉感受的计算机视觉任务,实例分割旨在同时解决目标定位和分割问题。
[0003]随着深度学习技术的发展,目标检测和语义分割领域内的算法层出不穷,这极大的促进了实例分割的发展,许多优秀的实例分割算法已被提出。现有实例分割算法网络结构设计大多是对一些优秀的目标检测器进行拓展,即在目标检测算法的基础上引入实例掩码的预测分支,主流的实例分割算法大体可以被分为两类,基于单阶段检测器扩展的算法和基于两阶段检测器拓展的算法。基于两阶段检测器的实例分割算法由于使用了更复杂的视觉特征和更严格的目标检测器,因此,这类方法往往有更准确的分割结果、更高的定位精度和更强的扩展性,它们在处理复杂场景和大规模数据集上的表现效果更佳。
[0004]然而,现有的方法如Yolact、Yolact++等,存在以下缺点:
[0005]1、对实例边缘信息关注少而导致分割掩码轮廓不够平滑的问题。
[0006]2、原型掩码组合过程中由于组合系数预测有误差,存在分割结果不准确的问题。
技术实现思路
[0007]为解决上述
技术介绍
中提出的问题,本专利技术提供一种基于深度学习的单阶段实例分割方法,以解决现有技术中对实例边缘信息关注少,组合系数预测有误差的问题。
[0008]为实现上述目的,本专利技术提供如下技术方案:
...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的单阶段实例分割方法,其特征在于,包括以下步骤:S1:基于YOLACT方法,将实例分割划分为两个并行任务,一个任务为生成当前图片的原型掩码,另一个任务为预测每个实例的掩码系数;S2:将原型掩码和掩码系数进行线性组合,并对组合结果使用激活函数激活以获得预测掩码;S3:将预测掩码作为边缘信息预测分支的输入,将边缘算子作用于预测掩码,得到实例边缘掩码的预测结果,将边缘算子作用于实例的真实掩码得到实例边缘掩码标签;S4:增加预测实例边缘图分支,边缘图预测分支的头部输入为预测结果和与之匹配的实例边缘掩码标签,通过卷积算子进行卷积得到预测边缘图和与之对用的边缘图的标签,构造损失函数,并优化边缘损失,得到最终模型;S5:将待分割实例输入最终模型得到分割结果。2.根据权利要求1所述的一种基于深度学习的单阶段实例分割方法,其特征在于,原型掩码的产生方法为:通过YOLACT中的原型掩码预测分支为整个图像预测产生k个原型掩码,原型掩码子网络protonet被实现为FCN,FCN网络的最后一层有k个通道,每个通道表示一个原型掩码,protonet的输入为骨干网络的特征层或者经过特征融合网络后的特征层的输出。3.根据权利要求2所述的一种基于深度学习的单阶段实例分割方法,其特征在于,掩码系数的产生方法为:YOLACT中的anchor
‑
based基于锚框的目标检测器的预测头部有两个分支:一个分支为每个anchor锚框预测c个类别的分类置信度,c表示一个特定数据集中目标的类别数;另一个分支为每个anchor锚框预测4个回归框系数;增加第三个分支用来预测k个原型掩码的系数,每个原型掩码系数对应于一个原型掩码,Yolact将检测器的预测头部输出从4+c个预测系数拓展为4+c+k个预测系数;原型掩码基数为8,记作符号b,b是一个可调节的超参数;将YOLACT结构中原型掩码预测分支产生的k=32个原型掩码在通道维度上拆分成个原型掩码组,与之对应的原型掩码的预测系数也将被从通道的维度拆分成g个组;在Yolact原型掩码系数预测分支的基础之上并行的增加第四个分支来预测原型掩码的组系数,Yolact检测器的预测头部的输出从4+c+k个预测系数拓展为4+c+k+g个预测系数。4.根据权利要求3所述的一种基于深度学习的单阶段实例分割方法,其特征在于,线性组合方法为:将k个原型掩码在通道维度每b个一组进行有序分组,相应的也对k个原型掩码系数在通道维度每b个进行有序分组,分别得到输入Pi和Ci;通过组合Pi和Ci得到每个分组经过组合后产生的中间原型掩码;在g个原型掩码组的系数中的通道维度获得相...
【专利技术属性】
技术研发人员:吴磊,成磊,王晓敏,龚海刚,刘明,
申请(专利权)人:电子科技大学长三角研究院衢州,
类型:发明
国别省市:
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。