基于语义分割的无监督实例分割方法、系统、设备和介质技术方案

一种基于语义分割的无监督实例分割方法，所述方法包括以下步骤：获取图片数据集，并对所述图片数据集进行预处理；将预处理后的图片数据集输入语义分割模型中得到语义分割掩码；通过主干特征提取网络，从所述语义分割掩码中提取多层抽象特征；将所述多层抽象特征输入到位移场检测模块得到实例掩膜；将所述多层抽象特征输入到类边界细化模块得到边界信息；将所述实例掩膜和边界信息传入语义感知模块，并通过取数组最大值索引的操作生成实例分割掩膜。本发明专利技术不需要重新训练语义分割或实例分割模型，可以部署在现有的语义分割模型上而无需改动其网络结构，无监督实例分割省去了现有实例分割模型对实例级图像标注的要求，因此具有更高的效率。

【技术实现步骤摘要】

本专利技术属于图像识别领域，具体涉及一种基于语义分割的无监督实例分割方法、系统、设备和介质。

技术介绍

1、实例分割是计算机视觉和多媒体领域的基础和关键研究任务之一，旨在预测给定图像的像素级语义类别和实例级对象掩码。近年来，实例分割得到了广泛的关注，在医学图像分析、工业机器人和自动驾驶车辆等众多场景中得到了实际应用。

2、近年来，随着深度卷积神经网络的重大发展，基于深度学习的实例分割取得了巨大的进展。各类分割方法大致可以分为两种，其中一类是指，例如mask r-cnn，panet，condinst等，它们通过检测边界框来定位单个实例，并为框中的相关像素分配语义类别。另一类是指，例如sgn，rpe，e2ec等，它们则是先预测像素掩码，然后根据实例线索(如像素对关系或实例边界)将实例级对象分组在一起。然而，前者的方法存在一定的局限性，不适用于一些特定场景。相比之下，我们提出的无监督实例分割属于后者的方法，可以解决上述问题。

3、目前，主流的全监督实例分割方法都已经取得了令人满意的性能，但是，这些模型的训练不仅需要昂贵的实例级和像素级标注本文档来自技高网...

【技术保护点】

1.一种基于语义分割的无监督实例分割方法，其特征在于，所述方法包括以下步骤：

2.根据权利要求1所述的基于语义分割的无监督实例分割方法，其特征在于，所述S1具体为：

3.根据权利要求1所述的基于语义分割的无监督实例分割方法，其特征在于，所述语义分割模型为任意语义分割模型。

4.根据权利要求1所述的基于语义分割的无监督实例分割方法，其特征在于，所述将多层抽象特征输入到位移场检测模块得到实例掩膜具体为：

5.根据权利要求1所述的基于语义分割的无监督实例分割方法，其特征在于，所述多层抽象特征输入到类边界细化模块得到边界信息具体为：

6...

【技术特征摘要】

1.一种基于语义分割的无监督实例分割方法，其特征在于，所述方法包括以下步骤：

2.根据权利要求1所述的基于语义分割的无监督实例分割方法，其特征在于，所述s1具体为：

3.根据权利要求1所述的基于语义分割的无监督实例分割方法，其特征在于，所述语义分割模型为任意语义分割模型。

4.根据权利要求1所述的基于语义分割的无监督实例分割方法，其特征在于，所述将多层抽象特征输入到位移场检测模块得到实例掩膜具体为：

5.根据权利要求1所述的基于语义分割的无监督实例分割方法，其特征...

【专利技术属性】
技术研发人员：业巧林，沈雨晨，范习健，李兴，
申请(专利权)人：南京林业大学，
类型：发明
国别省市：