【技术实现步骤摘要】
一种基于互惠学习的显著对象分割方法及装置
[0001]本公开的实施例涉及计算机
,具体涉及一种基于互惠学习的显著对象分割方法及装置
。
技术介绍
[0002]显著对象分割通常旨在检测场景中最显著的对象并准确地将它们分割出来
。
本质上,显著对象分割是分割比背景更吸引注意力的前景物体
。
显著对象分割可以用于增强计算机视觉和图像处理的各个领域,例如内容感知的图像编辑
、
视觉跟踪
、
行人重识别和图像检索
。
[0003]随着深度学习的快速发展,许多出色的显著对象分割工作在基准测试中取得了较好的结果
。
比如,一些方法提出反向注意力来指导侧向残差学习以实现显著性细化
。
一些方法从全局和局部视图中收集上下文信息,以迭代方式使用循环机制来细化卷积特征
。
还有的方法设计了金字塔注意模块和显著边缘检测模块,使网络能够更多地关注显著区域并细化对象边界
。
[0004]然而,这些方法主要关注如何以各种方式更好地整合前景的高级和低层次特征或多尺度上下文信息,前景和背景之间的依赖关系尚未得到充分的探索和利用
。
事实上,具有相同语义的物体在不同背景的图像中吸引不同程度的视觉注意力,物体的显著性会随背景的变化而变化
。
因此,考虑前景元素和背景元素之间的关系,有助于更好地区分和识别显著性对象,从而在不同的场景中产生更有效和可靠的显著对象分割算法< ...
【技术保护点】
【技术特征摘要】
1.
一种基于互惠学习的显著对象分割方法,包括:获取训练输入图像
、
测试输入图像及训练输入图像标注真值;设计互惠学习神经网络分割模型和互助损失函数,并根据所述训练输入图像及训练输入图像标注真值对所述互惠学习神经网络分割模型在组合损失函数的监督下进行训练,获取训练好的互惠学习神经网络分割模型;利用所述训练好的互惠学习神经网络分割模型对所述测试输入图像进行测试,获取所述测试输入图像的显著对象分割结果图像
。2.
根据权利要求1所述的方法,其中,所述设计互惠学习神经网络分割模型和互助损失函数,并根据所述训练输入图像及训练输入图像标注真值对所述互惠学习神经网络分割模型在组合损失函数的监督下进行训练,获取训练好的互惠学习神经网络分割模型,包括:设计一个由通用特征编码器和双分支特征解码器构成的互惠学习神经网络分割模型;设计所述互助损失函数,与交叉熵损失函数和
IoU
损失函数进行线性组合,获得组合损失函数;根据所述训练输入图像及训练输入图像标注真值对所述互惠学习神经网络分割模型在所述组合损失函数的监督下进行训练,获取所述训练好的互惠学习神经网络分割模型
。3.
根据权利要求2所述的方法,其中,所述训练好的互惠学习神经网络分割模型是通过以下步骤训练的:根据所述互惠学习神经网络分割模型,对所述训练输入图像进行预测,获得所述训练输入图像的显著对象前景分割结果图像
、
所述训练输入图像的显著对象背景分割结果图像和所述训练输入图像的显著对象分割结果图像;根据所述组合损失函数,对所述训练输入图像的显著对象前景分割结果图像
、
所述训练输入图像的显著对象背景分割结果图像以及所述训练输入图像标注真值计算监督损失,并根据所述监督损失,对所述互惠学习神经网络分割模型进行参数更新;重复以上步骤,直至所述监督损失达到预设损失,则训练终止,得到训练好的互惠学习神经网络分割模型;其中,所述互助损失函数的具体实现形式如以下公式所示:
L
SL
=
D
S
(Sig(S
F
)+Sig(S
B
)
,
I)+D
S
(Sig(S
F
)
‑
Sig(S
B
)
,
I)
,其中,
L
SL
为互助损失函数,
D
S
(
·
)
为
Smooth L1
损失函数,
S ig(
·
)
为
Sigmoid
函数,
S
F
为所述训练输入图像的显著对象前景分割结果图像,
S
B
为所述训练输入图像的显著对象背景分割结果图像,
I
为所述训练输入图像
。4.
根据权利要求1所述的方法,其中,所述利用所述训练好的互惠学习神经网络分割模型对所述测试输入图像进行测试,获取所述测试输入图像的显著对象分割结果图像,包括:根据所述训练好的互惠学习神经网络分割模型,对所述测试输入图像进行测试,获取所述测试输入图像的显著对象前景分割结果图像和所述测试输入图像的显著对象背景分割结果图像;根据所述测试输入图像的显著对象前景分割结果图像和所述测试输入图像的显著对象背景分割结果图...
【专利技术属性】
技术研发人员:李甲,吴俊杰,于天舒,赵沁平,
申请(专利权)人:北京航空航天大学,
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。