面向测试场景无掩码监督的小样本分割方法技术

本发明专利技术公开了一种面向测试场景无掩码监督的小样本分割方法，所述方法具体包括如下步骤：获取用于训练深度神经网络模型的图像数据集；利用图像数据集构建的图像对及其掩码作为监督信号，通过交叉熵损失训练预先设计好的无需掩码的迭代优化深度神经网络模型；利用训练好的深度神经网络模型无需掩码监督输出待分割图像的预测掩码。本发明专利技术的方法适用于训练时能够提供大规模有标记数据，但测试时除了存在与待分割图像属于同一类别的其他图像外，没有任何密集标记信息的小样本分割任务，解决目前小样本分割任务中在推理时仍需要对新类图像进行密集标记的需求，在仅利用图像对的情况下获得不错的分割性能，尤其是对于单目标分割。尤其是对于单目标分割。尤其是对于单目标分割。

【技术实现步骤摘要】
面向测试场景无掩码监督的小样本分割方法


[0001]本专利技术属于计算机视觉领域，特别地涉及一种面向测试场景无掩码监督的小样本分割方法、计算机设备和存储介质。

技术介绍

[0002]语义分割是计算机视觉中重要的基础任务之一，可以广泛应用于自动驾驶、医疗图像分割等任务。随着人们对网络结构和模型的不断改进，语义分割任务已经获得了出色的性能。但语义分割模型都是依靠数据驱动的，需要大规模有像素级别密集标记的图像数据进行训练，并且模型并不具备泛化到新类别数据的能力。目前语义分割模型只能分割出训练过程中出现的目标类别，当新类别图像出现时，需要收集大规模的大量新类别密集标记样本来重新训练模型，这在现实应用中是不实际的，因此限制了它们的进一步推广应用。
[0003]与现有依靠大数据训练的机器学习模型不同，人类可以利用过去积累的知识，仅通过一个或几个新类样本就能够快速地识别出这个新概念。受到人类学习新知识的启发，缩小人工智能与人类学习之间的差距，人们提出了小样本学习。小样本学习降低了对大规模标记数据集的需求，近些年来引起了很多关注。受到小样本学习的启发，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向测试场景无掩码监督的小样本分割方法，其特征在于，包括以下步骤：S1、获取用于训练深度神经网络模型的图像数据集；S2、利用图像数据集构建的图像对及其掩码作为监督信号，通过交叉熵损失训练预先设计好的无需掩码的迭代优化深度神经网络模型；S3、利用训练好的深度神经网络模型无需掩码监督输出待分割图像的预测掩码。2.如权利要求1所述的面向测试场景无掩码监督的小样本分割方法，其特征在于，步骤S1中，所述的图像数据集为其中N为图像数据集中构建的任务数量，和分别表示第i张提供类别指导信息的支持图像及其对应的掩码，和分别表示第i张待分割的查询图像及其对应的掩码，M
i
∈{1,
…
,C}，C表示类别总数，每一类都包含多张图像。3.如权利要求2所述的面向测试场景无掩码监督的小样本分割方法，其特征在于，步骤S1中，还包括对获得的掩码进行处理，将同时出现在支持图像和查询图像中的所有类别目标物体均设置为前景，其余部分设置为背景。4.如权利要求3所述的面向测试场景无掩码监督的小样本分割方法，其特征在于，所述深度神经网络模型包括三个构成部分：特征提取器，掩码生成模块和解码器，其中特征提取器是利用ImageNet数据集预训练好的ResNet
‑
50，掩码生成模块和解码器是需要训练的部分。5.如权利要求4所述的面向测试场景无掩码监督的小样本分割方法，其特征在于，步骤S2具体包括：S21、在训练深度神经网络模型时采用批量处理的方式，首先从图像数据集中随机采样一个批量的图像对样本集一个批量的图像对样本集其中批量大小N
bs
预先给定；S22、将图像对样本集B中的图像对输入特征提取器中得到支持图像和查询图像的特征图其中L是特征提取器中各个模块层数总和；S23、将来自特征提取器最后一个模块的支持图像和查询图像的高层语义特征图通过掩码生成模块，利用相似度计算和跨注意力机制获得初始的支持预测掩码用于后续分割任务，并计算支...

【专利技术属性】
技术研发人员：于云龙，陈善娟，
申请(专利权)人：浙江大学，
类型：发明
国别省市：