【技术实现步骤摘要】
本专利技术涉及计算机视觉中的语义分割领域，尤其是涉及一种无标注辅助指导的小样本语义分割方法、系统、电子设备及存储介质。
技术介绍
1、深度学习的提出和大力发展使得语义分割的性能取得了极大提升。基于卷积神经网络的语义分割模型需要大量具有像素级别标注的数据，而获取大量的、高质量的像素级别标注数据费时费力，极大阻碍了语义分割在诸多领域的应用。为了减轻语义分割模型对大量标注数据的依赖，小样本语义分割实现使用少量带标注样本完成对未知类别的语义分割任务。
2、当前的小样本语义分割方法从支持集图像中获取目标类别的信息，用来指导查询图像的分割。然而，根据小样本语义分割训练范式，每个分割任务的支持集中仅包含1或5张支持图像，可以提供的指导信息有限；同时，类内差异问题的存在也导致支持集无法提供充足的指导信息，从而限制了小样本语义分割图像的精度提升。现有技术中，公开号为cn117726809 a的中国专利公开了一种基于信息交互增强的小样本语义分割方法，但该方法只支持图像与查询图像语义信息两者之间的信息交互，其参与指导的信息也仍有待扩展。因此，急需...
【技术保护点】
1.一种无标注辅助指导的小样本语义分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种无标注辅助指导的小样本语义分割方法，其特征在于，所述特征提取网络包括ResNet-50。
3.根据权利要求1所述的一种无标注辅助指导的小样本语义分割方法，其特征在于，将所述中层支持特征和高层支持特征均与下采样后的支持掩码相乘，以滤除非目标类别信息。
4.根据权利要求1所述的一种无标注辅助指导的小样本语义分割方法，其特征在于，所述相似度图的取值范围为0-1之间，所述阈值的取值选择为0.9。
5.根据权利要求1所述的一种无标注...
【技术特征摘要】
1.一种无标注辅助指导的小样本语义分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种无标注辅助指导的小样本语义分割方法，其特征在于，所述特征提取网络包括resnet-50。
3.根据权利要求1所述的一种无标注辅助指导的小样本语义分割方法，其特征在于，将所述中层支持特征和高层支持特征均与下采样后的支持掩码相乘，以滤除非目标类别信息。
4.根据权利要求1所述的一种无标注辅助指导的小样本语义分割方法，其特征在于，所述相似度图的取值范围为0-1之间，所述阈值的取值选择为0.9。
5.根据权利要求1所述的一种无标注辅助指导的小样本语义分割方法，其特征在于，采用基于对比学习的损失函数对辅助指导信息的...
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。