System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及图像处理,尤其涉及一种基于域纠正适应器的跨域小样本分割方法。
技术介绍
1、小样本分割任务旨在给定一张或几张带有标签的参考图片,模型能够尽可能正确地分割出待分割图像中相同类别的目标。在传统小样本分割设定中,通常假定训练集与模型应用的数据都来自同样的数据域,然而在很多场景中,这种设定不一定能得到满足。当训练时只能访问自然图像的数据集却希望将模型应用于其他域的图像分割任务(例如医学图像、遥感图像)时,数据间的分布差距会使得模型没法很好地在跨域场景中工作,也就是说,通过特定域的训练集进行训练得到的模型在执行跨域的图像分割任务时的准确度差。
技术实现思路
1、本专利技术提供一种基于域纠正适应器的跨域小样本分割方法,用以解决现有技术中通过特定域的训练集进行训练得到的模型在执行其他域的图像分割任务时效果差的缺陷,实现提高对跨域的图像的分割准确度的技术效果。
2、本专利技术提供一种基于域纠正适应器的跨域小样本分割方法,包括:
3、获取待分割图像,将所述待分割图像输入至已训练的特征提取层,得到待处理特征图;
4、将所述待处理特征图输入至已训练的域纠正器,获取所述域纠正器输出的纠正特征图,所述域纠正器用于纠正所述待处理特征图的域与基准域的域差异;
5、将所述纠正特征图输入至已训练的分割模块,获取所述分割模块输出的图像分割结果;
6、其中,所述域纠正器与域扰乱器共同基于多组训练数据训练得到,每组所述训练数据包括样本待分割图像以及
7、根据本专利技术提供的一种基于域纠正适应器的跨域小样本分割方法,所述域纠正器包括特征卷积模块;所述将所述待处理特征图输入至已训练的域纠正器,获取所述域纠正器输出的纠正特征图,包括:
8、通过所述特征卷积模块对所述待处理特征图进行处理,得到临时特征图;
9、获取所述临时特征图在通道维度上的统计值,得到纠正因子;
10、计算所述待处理特征图在通道维度上的统计值,得到所述待处理特征图的统计值向量,将所述待处理特征图的统计值向量与所述纠正因子相加,得到纠正统计值向量;
11、基于所述纠正统计值向量生成所述纠正特征图,所述纠正特征图的统计值向量为所述纠正统计值向量。
12、根据本专利技术提供的一种基于域纠正适应器的跨域小样本分割方法,所述域纠正器以及所述域扰乱器的训练过程包括:
13、将所述样本待分割图像输入至所述特征提取层,获取所述特征提取层输出的样本待处理特征图;
14、将所述样本待处理特征图输入至所述域扰乱器,获取所述域扰乱器输出的模拟域特征图;
15、将所述模拟域特征图输入至所述域纠正器中,获取所述域纠正器输出的样本纠正特征图;
16、将所述样本纠正特征图输入至所述分割模块,获取所述分割模块输出的样本分割结果;
17、基于所述样本分割结果和所述样本待分割图像对应的所述分割结果标签确定目标训练损失,基于所述目标训练损失更新所述域扰乱器以及所述域纠正器。
18、根据本专利技术提供的一种基于域纠正适应器的跨域小样本分割方法,所述基于所述样本分割结果和所述样本待分割图像对应的所述分割结果标签确定目标训练损失,包括:
19、基于所述样本分割结果和所述样本待分割图像对应的所述分割结果标签之间的差异确定第一训练损失;
20、将所述样本纠正特征图输入至所述域扰乱器,获取所述域扰乱器输出的二次模拟域特征图,将所述二次模拟域特征图输入至所述域纠正器,获取所述域纠正器输出的二次纠正特征图;
21、基于所述待处理特征图和所述二次纠正特征图之间的差异确定第二训练损失;
22、基于所述待处理特征图和所述样本纠正特征图之间的差异确定第三训练损失;
23、基于所述第一训练损失、所述第二训练损失和所述第三训练损失确定所述目标训练损失。
24、根据本专利技术提供的一种基于域纠正适应器的跨域小样本分割方法,所述域扰乱器包括第一扰乱器和第二扰乱器;所述将所述样本待处理特征图输入至所述域扰乱器,获取所述域扰乱器输出的模拟域特征图,包括:
25、基于第一扰乱噪声和/或第二扰乱噪声生成扰乱后的统计值,基于所述扰乱后的统计值得到所述模拟域特征图;
26、其中,所述第一扰乱噪声是所述第一扰乱器生成的方差为第一方差的高斯噪声,所述第二扰乱噪声是所述第二扰乱器生成的方差为第二方差的高斯噪声,所述第二方差大于所述第一方差;
27、基于所述第一扰乱噪声生成扰乱后的统计值,包括:
28、在所述样本待处理特征图的统计值上叠加所述第一扰乱噪声,得到所述扰乱后的统计值;
29、基于所述第二扰乱噪声生成扰乱后的统计值,包括:
30、基于所述样本待处理特征图的统计值更新目标数据集的统计值,在所述目标数据集的统计值上叠加所述第二扰乱噪声,得到所述扰乱后的统计值,所述目标数据集包括多张所述样本待处理特征图;
31、基于所述第一扰乱噪声和所述第二扰乱噪声生成扰乱后的统计值,包括:
32、在所述样本待处理特征图的统计值上叠加所述第一扰乱噪声,得到中间统计值,基于所述中间统计值更新所述目标数据集的统计值,在所述目标数据集的统计值上叠加所述第二扰乱噪声,得到所述扰乱后的统计值。
33、根据本专利技术提供的一种基于域纠正适应器的跨域小样本分割方法,所述统计值包括均值和方差。
34、本专利技术还提供一种基于域纠正适应器的跨域小样本分割装置,包括:
35、特征提取单元,用于获取待分割图像,将所述待分割图像输入至已训练的特征提取层,得到待处理特征图;
36、域纠正单元,用于将所述待处理特征图输入至已训练的域纠正器,获取所述域纠正器输出的纠正特征图,所述域纠正器用于纠正所述待处理特征图的域与基准域的域差异;
37、图像分割单元,用于将所述纠正特征图输入至已训练的分割模块,获取所述分割模块输出的图像分割结果;
38、其中,所述域纠正器与域扰乱器共同基于多组训练数据训练得到,每组所述训练数据包括样本待分割图像以及所述样本待分割图像对应的分割结果标签,所述样本待分割图像的域为所述基准域,所述域扰乱器用于对图像添加域扰动以实现对不同域的模拟。
39、本专利技术还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述基于域纠正适应器的跨域小样本分割方法。
40、本专利技术还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述基于域纠正适应器的跨域小样本分割方法。
41、本专利技术还提供一种计算机程序产品,包括计算机程序本文档来自技高网...
【技术保护点】
1.一种基于域纠正适应器的跨域小样本分割方法,其特征在于,包括:
2.根据权利要求1所述的基于域纠正适应器的跨域小样本分割方法,其特征在于,所述域纠正器包括特征卷积模块;所述将所述待处理特征图输入至已训练的域纠正器,获取所述域纠正器输出的纠正特征图,包括:
3.根据权利要求1所述的基于域纠正适应器的跨域小样本分割方法,其特征在于,所述域纠正器以及所述域扰乱器的训练过程包括:
4.根据权利要求3所述的基于域纠正适应器的跨域小样本分割方法,其特征在于,所述基于所述样本分割结果和所述样本待分割图像对应的所述分割结果标签确定目标训练损失,包括:
5.根据权利要求3所述的基于域纠正适应器的跨域小样本分割方法,其特征在于,所述域扰乱器包括第一扰乱器和第二扰乱器;所述将所述样本待处理特征图输入至所述域扰乱器,获取所述域扰乱器输出的模拟域特征图,包括:
6.根据权利要求2或5所述的基于域纠正适应器的跨域小样本分割方法,其特征在于,所述统计值包括均值和方差。
7.一种基于域纠正适应器的跨域小样本分割装置,其特征在于,包括:
...【技术特征摘要】
1.一种基于域纠正适应器的跨域小样本分割方法,其特征在于,包括:
2.根据权利要求1所述的基于域纠正适应器的跨域小样本分割方法,其特征在于,所述域纠正器包括特征卷积模块;所述将所述待处理特征图输入至已训练的域纠正器,获取所述域纠正器输出的纠正特征图,包括:
3.根据权利要求1所述的基于域纠正适应器的跨域小样本分割方法,其特征在于,所述域纠正器以及所述域扰乱器的训练过程包括:
4.根据权利要求3所述的基于域纠正适应器的跨域小样本分割方法,其特征在于,所述基于所述样本分割结果和所述样本待分割图像对应的所述分割结果标签确定目标训练损失,包括:
5.根据权利要求3所述的基于域纠正适应器的跨域小样本分割方法,其特征在于,所述域扰乱器包括第一扰乱器和第二扰乱器;所述将所述样本待处理特征图输入至所述域扰乱器,获取所述域扰乱器输出的...
【专利技术属性】
技术研发人员:裴文杰,苏嘉鹏,陈芳林,卢光明,
申请(专利权)人:哈尔滨工业大学深圳哈尔滨工业大学深圳科技创新研究院,
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。