【技术实现步骤摘要】
本专利技术涉及人工智能，尤其是一种基于自对齐和交叉对齐的小样本学习语义分割方法及分割系统。
技术介绍
1、语义分割作为计算机视觉的基本任务之一，有着广泛的应用场景。然而，全监督语义分割模型的训练依赖于带有人工标注的大规模数据集，这需要大量的人工劳动。此外，经过训练的模型无法推广到新的类别。上述缺陷严重限制了语义分割模型的实际应用。因此，小样本语义分割(fss)应运而生，旨在利用少量标注数据(支持图像)实现未知类别(查询图像)的分割。与现有的全监督语义分割方法相比，小样本语义分割具有数据依赖低、模型泛化性强的优势。
2、大多数小样本分割方法遵循元学习的范式，旨在利用支持图像的特征以及支持掩膜来预测查询图像的分割。这种范例的成功取决于如何有效地利用支持图像的信息来指导查询图像的分割。现有的fss方法主要分为两类：(1)基于原型的方法，利用掩膜平均池化操作(map)或期望最大化算法(em)，超像素引导聚类算法(sgc)等等，构建单个或多个原型。然而，压缩的原型向量仅保留关于目标的最有区别的信息，这不可避免地导致包含在支持图像中的大...
【技术保护点】
1.一种基于自对齐和交叉对齐的小样本学习语义分割方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于自对齐和交叉对齐的小样本学习语义分割方法，其特征在于，步骤1中，在查询分支中，将低层架构信息融合到中层语义特征中，得到增强的查询特征具体包括如下步骤：
3.如权利要求2所述的基于自对齐和交叉对齐的小样本学习语义分割方法，其特征在于，步骤12中，空间注意力Aq计算公式如下：
4.如权利要求2所述的基于自对齐和交叉对齐的小样本学习语义分割方法，其特征在于，步骤13中，查询特征计算公式如下：
5.如权利要求1所述的基于自...
【技术特征摘要】
1.一种基于自对齐和交叉对齐的小样本学习语义分割方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于自对齐和交叉对齐的小样本学习语义分割方法，其特征在于，步骤1中，在查询分支中，将低层架构信息融合到中层语义特征中，得到增强的查询特征具体包括如下步骤：
3.如权利要求2所述的基于自对齐和交叉对齐的小样本学习语义分割方法，其特征在于，步骤12中，空间注意力aq计算公式如下：
4.如权利要求2所述的基于自对齐和交叉对齐的小样本学习语义分割方法，其特征在于，步骤13中，查询特征计算公式如下：
5.如权利要求1所述的基于自对齐和交叉对齐的小样本学习语义分割方法，其特征在于，步骤2中，使用自对齐模块生成更具代表性的支持和查询特征，并在此条件下，将语义信息从支持图像双向地传播到查询图像，从而消除类间和类内差异具体包括如下步骤：
6.如权利要求5所述的基于自对齐和交叉对齐的小样本学习语义分割方法，其特征在于，步骤22中，将css、cq2和送入到交叉对齐模块中，其过程如下：
7.如权利要...
【专利技术属性】
技术研发人员：张振，丁珺，刘海韵，王慧斌，高红民，
申请(专利权)人：河海大学，
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。