一种基于互惠学习的显著对象分割方法及装置制造方法及图纸

本公开的实施例公开了一种基于互惠学习的显著对象分割方法及装置

【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<br/>。
[0005]该
技术介绍
部分中所公开的以上信息仅用于增强对本专利技术构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息
。

技术实现思路

[0006]本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述
。
本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围
。
[0007]本公开的一些实施例提出了基于互惠学习的显著对象分割方法，来解决以上
技术介绍
部分提到的技术问题中的一项或多项
。
[0008]第一方面，本公开的一些实施例提供了一种基于互惠学习的显著对象分割方法，该方法包括：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，并根据上述训练输入图像及训练输入图像标注真值对上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；利用上述训练好的互惠学习神经网络分割模型对上述测试输入图像进行测试，获取上述测试输入图像的显著对象分割结果图像
。
[0009]本公开的一些实施例中具有如下有益效果：通过本公开的一些实施例的基于互惠学习的显著对象分割方法，提高了对图像显著对象分割的可靠性
。
具体来说，造成对图像显
著对象分割的可靠性较低的原因在于：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
。
基于此，本公开的一些实施例的基于互惠学习的显著对象分割方法，首先，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
。
然后，设计互惠学习神经网络分割模型和互助损失函数，并根据上述训练输入图像及训练输入图像标注真值对上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
。
最后，利用上述训练好的互惠学习神经网络分割模型对上述测试输入图像进行测试，获取上述测试输入图像的显著对象分割结果图像
。
由此，提高了对图像显著对象分割的可靠性
。
附图说明
[0010]结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征
、
优点及方面将变得更加明显
。
贯穿附图中，相同或相似的附图标记表示相同或相似的元素
。
应当理解附图是示意性的，元件和元素不一定按照比例绘制
。
[0011]图1是根据本公开的基于互惠学习的显著对象分割方法的一些实施例的流程图
。
[0012]图2是根据本公开的基于互惠学习的显著对象分割方法的一些实施例的网络架构图
。
[0013]图3是根据本公开的基于互惠学习的显著对象分割方法的一些实施例的互惠变压器块及其主要部件图
。
具体实施方式
[0014]下面将参照附图更详细地描述本公开的实施例
。
虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例
。
相反，提供这些实施例是为了更加透彻和完整地理解本公开
。
应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围
。
[0015]另外还需要说明的是，为了便于描述，附图中仅示出了与有关专利技术相关的部分
。
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合
。
[0016]需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置
、
模块或单元进行区分，并非用于限定这些装置
、
模块或单元所执行的功能的顺序或者相互依存关系
。
[0017]需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
[0018]本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制
。
[0019]下面将参考附图并结合实施例来详细说明本公开
。
[0020]图1是本公开的基于互惠学习的显著对象分割方法的一些实施例的流程
100。
该基于互惠学习的显著对象分割方法，包括以下步骤：
[0021]步骤
101
，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
。
[0022]在一些实施例中，基于互惠学习的显著对象分割方法的执行主体
(
例如计算设备
)
可以通过有线连接或无线连接的方式获取训练输入图像
、
测试输入图像及训练输入图像标注真值
。
[0023]需要指出的是，上述无线连接方式可以包括本文档来自技高网...

【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：