本发明专利技术提供一种基于弱标签数据的图像兴趣区域提取方法及系统，涉及图像处理技术领域，方法包括：获取数据集；通过最小外接旋转矩形框标注图像样本中的兴趣区域标签，得到旋转矩形掩码图；对图像样本进行多尺度缩放，得到不同尺度的图像样本；将不同尺度图像样本输入至图像分割模型进行训练，输出兴趣区域预测图；将兴趣区域预测图映射至所属图像样本中旋转矩形框长短边方向一致的矩形区域，得到旋转矩形映射估计特征图；计算图像样本的损失值；在损失值大于预设损失值的情况下，调整图像分割模型的超参数，重复训练；利用训练后的图像分割模型提取待检测图像的图像兴趣区域。在不降低识别准确性的同时，有效降低标注成本。
【技术实现步骤摘要】
本专利技术涉及图像处理，特别是指一种基于弱标签数据的图像兴趣区域提取方法及系统。
技术介绍
1、图像兴趣区域是指图像中对于特定分析任务来说重要或相关的部分。在图像处理和计算机视觉中，roi可以是图像中的一个对象、特定的形状、或者任何区域，其中包含了进行进一步分析所需的关键信息。例如，在医学图像分析中，兴趣区域可能是一个肿瘤；在卫星图像中，兴趣区域可能是特定的地形特征；在交通监控系统中，兴趣区域可能是车辆或行人。通过专注于图像中最关键的部分，可以提高分析的速度和准确性，减少计算资源的消耗，并提高整体系统的效率。此外，只分析兴趣区域有助于减少背景噪声和不相关信息的干扰，从而使得结果更加可靠和精确。
2、图像兴趣区域提取是众多视觉分析任务中的关键支撑，是趣味交互、目标检索、医学辅助检测等应用领域的核心技术支撑。然而，现有算法多基于强标签数据，即需要将图像中兴趣区域按像素级精确标注出来，此类强标注成本极高，且在部分应用中存在难以判断的区域边界，致使精确标注极为困难，存在应用场景局限性，进而不能准确提取图像兴趣区域的情况。
r/>技本文档来自技高网...
【技术保护点】
1.一种基于弱标签数据的图像兴趣区域提取方法，其特征在于，包括：
2.根据权利要求1所述的基于弱标签数据的图像兴趣区域提取方法，其特征在于，所述S2具体包括：
3.根据权利要求2所述的基于弱标签数据的图像兴趣区域提取方法，其特征在于，所述最小外接旋转矩形框估计方法，具体为：
4.根据权利要求1所述的基于弱标签数据的图像兴趣区域提取方法，其特征在于，所述图像分割模型为以深度分割网络为基础单元的深度学习模型。
5.根据权利要求1所述基于弱标签数据的图像兴趣区域提取方法，其特征在于，所述S5具体包括：
6.根据权利要求5所述的基于弱标...
【技术特征摘要】
1.一种基于弱标签数据的图像兴趣区域提取方法，其特征在于，包括：
2.根据权利要求1所述的基于弱标签数据的图像兴趣区域提取方法，其特征在于，所述s2具体包括：
3.根据权利要求2所述的基于弱标签数据的图像兴趣区域提取方法，其特征在于，所述最小外接旋转矩形框估计方法，具体为：
4.根据权利要求1所述的基于弱标签数据的图像兴趣区域提取方法，其特征在于，所述图像分割模型为以深度分割网络为基础单元的深度学习模型。
5.根据权利要求1所述基于弱标签数据的图像兴趣区域提取方法，其特征在于，所述s5具体包括：
6.根据权利要求5所述的基于弱标签数据的图像兴趣区域提取方法，其特征在于，所述第一基础灰度图像尺寸...
【专利技术属性】
技术研发人员：胡珂立，王臣，祝汉灿，赵利平，李琪，胡剑浩，余冬华，姜志彬，
申请(专利权)人：绍兴文理学院，
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。