CN109949317A - 基于逐步对抗学习的半监督图像实例分割方法 - Google Patents
基于逐步对抗学习的半监督图像实例分割方法 Download PDFInfo
- Publication number
- CN109949317A CN109949317A CN201910168475.4A CN201910168475A CN109949317A CN 109949317 A CN109949317 A CN 109949317A CN 201910168475 A CN201910168475 A CN 201910168475A CN 109949317 A CN109949317 A CN 109949317A
- Authority
- CN
- China
- Prior art keywords
- network
- mask
- parted pattern
- data
- example parted
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Abstract
本发明公开了一种基于逐步对抗学习的半监督图像实例分割方法,包括步骤:1、构建Mask R‑CNN实例分割模型;2、基于DCGAN训练Mask R‑CNN中的FPN;3、采用标注数据对Mask R‑CNN中的其他模块进行初步训练;4、构建判别卷积网络,与Mask R‑CNN构成对抗学习网络,通过对抗训练,优化对抗学习网络的参数;5、将判别卷积网络的输出反馈至Mask R‑CNN,对实例分割模型进行再训练;6、利用实例分割模型对待分割图像进行分割。该方法利用仅有部分标注图像的样本集进行模型训练,减少了处理样本的工作量,且能够获得较高精确度的分割模型。
Description
技术领域
本发明涉及图像实例分割领域,具体涉及一种基于逐步对抗学习的图像半监督实例分割方法。
背景技术
图像分割是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程,是由图像处理到图像分析的关键步骤。深度学习技术通过从海量的数据中自动学得更加有效的图像特征表达,成功用于一般物体的图像检测和分割,但将深度学习方法用于特定任务的图像检测与分割仍存在巨大的困难和挑战:现有的目标实例分割方法要求所有训练实例都必须标记有分割掩码,使得注释新类别的成本十分昂贵。本发明落足于电网设备图像实例分割,电网设备种类繁多且数据量极大,但只有少部分图像具有掩码标注。
针对大量图像样本的昂贵标注问题,半监督学习是一种有效的解决途径。在半监督场景中,通过只有一小部分有标注的图像样本,大部分图像样本都未被标注。半监督学习能让学习器不依赖外界交互、自动地利用未标注样本来提升学习性能。未标注数据代表了实际场景数据集的分布情况,让深度学习模型充分学习这些数据分布信息可大大提高模型的性能表现。Huaxin Xiao等人提出了一个可迁移的半监督语义分割方法,通过标签迁移网络和预测迁移网络实现了从强类别到弱类别的迁移,且通过生成对抗网络精细化分割(见“Huaxin Xiao,Transferable Semi-supervised Semantic Segmentation,AAAI 2018”)。Nasim Souly等人使用生成对抗网络实现半监督语义分割,具体使用分割网络代替传统判别器,在使用标注数据训练的同时,通过判别未标注数据和假数据来学得未标注数据的分布,提高了语义分割模型的性能(见“Nasim Souly,Semi Supervised SemanticSegmentation Using Generative Adversarial Network,ICCV 2017”)。Seunghoon Hong等人通过解耦深度神经网络,并构建了一个从分类网络到分割网络的桥,利用训练数据的像素级标注和类别标签实现了半监督语义分割(见“Seunghoon Hong,Decoupled DeepNeural Network for Semi-supervised Semantic Segmentation,NIPS 2015”)。但是这些半监督学习技术大多用于语义分割,用于实例分割的还相对较少。也有少部分研究员在解决弱监督实例分割问题的时候,尝试解决半监督实例分割,如QizhuLi等人提出一个弱监督和半监督的全景分割方法,通过类别和边框标注实现了图像实例分割,但存在重叠实例分割不能区分问题(见“QizhuLi,Weakly-and Semi-Supervised Panoptic Segmentation,ECCV 2018”)。
近年来,图像实例分割技术高速发展,诞生了如MaskR-CNN、PANet、MaskLab等许多优秀的实例分割模型,但是针对特定任务领域往往没有足够的掩码标注数据来实现这些模型。当前在各种基准数据集上表现最为优秀的模型大都采用基于FasterR-CNN的两阶段结构,这与语义分割模型具有较大差异。所以针对半监督图像实例分割问题,依旧存在很大的技术困难和挑战。
发明内容
发明目的:针对现有技术中存在的问题,本发明提供了一种基于逐步对抗学习的半监督图像实例分割方法;该方法利用仅有部分标注图像的样本集进行模型训练,减少了处理样本的工作量,且能够获得较高精确度的分割模型。
技术方案:本发明采用如下技术方案:
基于逐步对抗学习的半监督图像实例分割方法,包括如下步骤:
(1)采集多幅待分割图像样本,对其中部分图像进行标注,得到标注数据集{Xl,Yl},其中Xl表示图像集合,Yl表示掩码标注集合;未标注的样本构成未标注数据集Xu;
构建实例分割模型,所述实例分割模型为Mask R-CNN,其主干网络为特征金字塔网络FPN;所述Mask R-CNN还包括区域生成网络、RolAlign、反卷积网络;所述FPN对输入图像进行特征提取并生成特征图,特征图输入到区域生成网络中,RolAlign对特征图以及区域生成网络的输出进行处理,处理结果输入到反卷积网络生成预测的掩码;
(2)对实例分割模型中的FPN进行训练:构建深度卷积生成对抗网络,Mask R-CNN中的FPN与真伪二分类器依次连接作为所述深度卷积生成对抗网络的判别器;将采集的图像样本集Xl∪Xu作为真实数据样本输入判别器,对深度卷积生成对抗网络进行训练,确定生成器和判别器的参数;
(3)对实例分割模型进行初步训练:保持步骤(2)中训练后FPN的参数不变,以标注数据集{Xl,Yl}作为样本,训练所述实例分割模型,优化Mask R-CNN其他模块的参数,得到能够生成粗分割掩码的实例分割模型;
(4)构建对抗学习网络,所述对抗学习网络包括实例分割模型、编码模块和判别卷积网络;所述实例分割模型对输入图像进行掩码预测,并生成类别置信图;编码模块对类别置信图和标注数据的掩码进行编码,编码后的数据作为判别卷积网络的输入,判别卷积网络对输入的编码数据进行判别,生成分割表现置信图,对实例分割模型的分割结果进行判断;
以图像样本集Xl∪Xu作为输入,对实例分割模型和判别卷积网络进行交替迭代训练,优化实例分割模型和判别卷积网络的参数;
(5)对实例分割模型进行再训练:以未标注数据集Xu作为对抗学习网络的输入,实例分割模型对输入图像进行掩码预测生成类别置信图,编码模块对类别置信图编码,编码后的数据经过判别卷积网络生成分割表现置信图,对分割表现置信图中置信度高于阈值Tsemi的区域反馈到实例分割模型中,对实例分割模型进行再训练;Tsemi为预设的判别阈值;
(6)将待分割的图像输入到步骤(5)训练后的实例分割模型,得到预测掩码即为分割结果。
所述深度卷积生成对抗网络的生成器采用转置卷积网络。
所述深度卷积生成对抗网络的损失函数为:
其中G表示生成器,D表示判别器,z表示生成器的输入噪声变量,pdata表示真实数据XlUXu的分布,D(x)表示判别器的输出,G(z)表示生成器的输出,表示在真实数据上的数学期望,表示在噪声数据上的数学期望。
所述判别卷积网络包括6个卷积层和一个转置卷积层,所述6个卷积层的通道数分别为64,128,128,256,256,512,且卷积核均为3x3。
步骤(4)中编码模块对类别置信图和标注数据的掩码进行编码的步骤为:
获取类别置信图或标注数据的掩码所对应的原始图像;将原始图像RGB三通道数据分别与待编码的类别置信图或标注数据掩码的各个图层相同像素位置上的像素值相乘,得到3×(C+1)个通道的编码数据;其中C为不包括背景的总类别数。
步骤(4)中对实例分割模型和判别卷积网络进行交替迭代训练的目标函数为:
其中λ是平衡两部分损失的系数,xl表示标注数据,yl表示标注的掩码真值,xu表示未标注数据,pdata表示数据分布,(i,j)表示判别卷积网络输出的分割表现置信图的像素位置,S表示实例分割模型,DCNN表示判别卷积网络,表示数学期望;
交替迭代训练过程中,训练实例分割模型的时候,保持判别卷积网络的参数不变;训练训练判别卷积网络的时候,保持实例分割模型的参数不变,如此交替迭代,实例分割模型和判别卷积网络都训练固定的步骤,直至收敛。
步骤(5)中,对实例分割模型进行再训练的损失函数为:
其中I(·)表示指示函数,DCNN表示判别卷积网络,S表示实例分割模型,xu是未标注数据,c表示类别,(i,j)表示判别卷积网络输出的分割表现置信图的像素位置,Tsemi为预设的分割表现优劣的判断阈值,采用one-hot编码,当c*=arg maxc S(xu)(i,j,c)时否则为0。
有益效果:与现有技术相比,本发明公开的半监督实例分割方法具有以下优点:1、由粗到精、层层递进,逐阶段地改善优化Mask R-CNN主干网络性能,进而提升图像实例分割性能;2、对于未标注数据完全不使用任何标签,包括类别标签和边框标签,减少了处理样本的工作量。
附图说明
图1为本发明公开的半监督实例分割方法的流程图;
图2为实例分割模型的结构框图;
图3为DCGAN的结构框图;
图4为本发明构建的对抗学习网络结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明的具体实施案例做说明。
本发明公开了一种基于逐步对抗学习的半监督图像实例分割方法,如图1所示,包括如下步骤:
步骤1、采集多幅待分割图像样本,对其中部分图像进行标注,得到标注数据集{Xl,Yl},其中Xl表示图像集合,Yl表示掩码标注集合;未标注的样本构成未标注数据集Xu;
构建实例分割模型,所述实例分割模型为Mask R-CNN,其结构如图2所示,其主干网络为特征金字塔网络FPN;Mask R-CNN还包括区域生成网络RPN、RolAlign、反卷积网络Deconv;所述FPN对输入图像进行特征提取并生成特征图,特征图输入到区域生成网络中,RolAlign对特征图以及区域生成网络的输出进行处理,处理结果输入到反卷积网络Deconv生成预测的掩码.
MaskR-CNN模型的相关内容见文献“KaimingHe,MaskR-CNN,ICCV 2017”。由于实例分割模型Mask R-CNN是一个分阶段网络,无论是用于区域生成的RPN还是用于掩码生成的反卷积网络都依赖于主干网络的特征提取,因此作为主干网络的FPN参数对分割结果的影响非常大。在步骤2中,采用DCGAN来训练FPN的参数。
步骤2、对实例分割模型中的FPN进行训练:构建深度卷积生成对抗网络(DCGAN),如图3所示,DCGAN包括生成器和判别器,生成器用于生成假图像数据,判别器的输入是生成器的输出和真实数据样本。本实施例中,生成器采用转置卷积网络,Mask R-CNN中的FPN与真伪二分类器依次连接作为判别器。生成器的相关内容见文献“Alec Radford,Unsupervised Representation Learning with Deep Convolutional GenerativeAdversarial Networks,ICLR 2016”。
本发明中将采集的图像样本集XlUXu作为真实数据样本输入判别器,对深度卷积生成对抗网络进行训练,确定生成器和判别器的参数,从而训练得到一个学得未标注数据分布的特征金字塔网络FPN。生成器和判别器以一种二元极小极大博弈(即对抗训练)的方式进行训练,损失函数为:
其中G表示生成器,D表示判别器,z表示生成器的输入噪声变量,pdata表示真实数据XlUXu的分布,D(x)表示判别器的输出,G(z)表示生成器的输出,表示在真实数据上的数学期望,表示在噪声数据上的数学期望。通过训练使到噪声分布pz收敛于真实数据分布pdata,生成器能生成近似于真实数据的假数据。
步骤3、对实例分割模型进行初步训练:保持步骤(2)中训练后FPN的参数不变,以标注数据集{Xl,Yl}作为样本,训练所述实例分割模型,优化Mask R-CNN其他模块的参数,得到能够生成粗分割掩码的实例分割模型;
步骤4、构建对抗学习网络,如图4所示,所述对抗学习网络包括实例分割模型、编码模块和判别卷积网络Discriminator;所述实例分割模型对输入图像进行掩码预测,并生成类别置信图;编码模块对类别置信图和标注数据的掩码进行编码,编码后的数据作为判别卷积网络的输入,判别卷积网络对输入的编码数据进行判别,生成分割表现置信图,对实例分割模型的分割结果进行判断;
Mask R-CNN对输入图像进行预测,得到各个像素点属于每个类别的概率,组成类别置信图,即类别置信图包括C+1个图层,C为不包括背景的总类别数。第k个图层中像素(u,v)处的值为输入图像像素(u,v)属于第k类的概率;像素(u,v)处概率最大类别作为该像素点的掩码,所有的像素点的掩码组成了输入图像的掩码预测结果,由此掩码同样具有C+1个图层。
编码模块对类别置信图和标注数据的掩码进行编码的步骤为:
获取类别置信图或标注数据的掩码所对应的原始图像;将原始图像RGB三通道数据分别与待编码的类别置信图或标注数据掩码的各个图层相同像素位置上的像素值相乘,得到3×(C+1)个通道的编码数据。
本发明中,判别卷积网络包括6个卷积层和一个转置卷积层,所述6个卷积层的通道数分别为64,128,128,256,256,512,且卷积核均为3x3。转置卷积层的设置使得输出的分割表现置信图尺寸等于实例分割模型输入图像的尺寸。
判别卷积网络逐像素地判断编码数据是来自类别置信图还是来自标注数据的掩码真值;如果是来自类别置信图,则分割表现置信图中相应像素处的为0;如果判断为来自标注数据的掩码真值,则分割表现置信图中相应像素处的为1,由此,得到一个单通道的分割表现置信图,用来判断分割效果的好坏。
本发明中,以图像样本集XlUXu和标注数据的掩码集合Yl作为输入,对实例分割模型和判别卷积网络进行交替迭代训练,优化实例分割模型和判别卷积网络的参数;
对实例分割模型和判别卷积网络进行交替迭代训练的结果是使对抗学习网络达到纳什均衡,其目标函数为:
其中λ是平衡两部分损失的系数,xl表示标注数据,yl表示标注的掩码真值,xu表示未标注数据,pdata表示数据分布,(i,j)表示判别卷积网络输出的分割表现置信图的像素位置,S表示实例分割模型,DcNN表示判别卷积网络,表示数学期望;
交替迭代训练过程中,训练实例分割模型的时候,保持判别卷积网络的参数不变;训练训练判别卷积网络的时候,保持实例分割模型的参数不变,如此交替迭代,实例分割模型和判别卷积网络都训练固定的步骤,直至收敛。
不像全连接条件随机场模型关注于图像的细节纹理且受限于指定类别,对抗学习更关注高阶的分割连续性且无类别限制更加适用于半监督学习。所以本步骤通过对抗学习的方式优化了实例分割模型的掩码生成网络,使得分割结果尽可能地接近真值,从而使得分割结果更加准确。此外,也得到一个能够鉴别未标注数据分割表现优劣的判别卷积网络。
由标注数据训练得到实例分割模型在未知数据上的输出和标注数据上的输出有明显的不同。理想情况下,标注数据和未标注数据有相同的分布,并且在实例分割模型上的输出相似。但实际情况中,数据的维度较大,标注数据不能完全表示未知数据的变化,所以得到的模型在标注数据上的性能更好。这里通过判别卷积网络以对抗学习的方式学得了隐含的真值与预测结果的拟合模式,这也迁移到了未标注数据上并尽可能消除了上述差异,使得未标注数据的分割结果尽可能地与标注数据相似,提升泛化性能。
步骤5、对实例分割模型进行再训练:以未标注数据集Xu作为对抗学习网络的输入,实例分割模型对输入图像进行掩码预测生成类别置信图,编码模块对类别置信图编码,编码后的数据经过判别卷积网络生成分割表现置信图,对分割表现置信图中置信度高于阈值Tsemi的区域反馈到实例分割模型中,对实例分割模型进行再训练;Tsemi为预设的判别阈值;
对实例分割模型进行再训练的损失函数为:
其中I(·)表示指示函数,DCNN表示判别卷积网络,S表示实例分割模型,xu是未标注数据,c表示类别,(i,j)表示判别卷积网络输出的分割表现置信图的像素位置,Tsemi为预设的分割表现优劣的判断阈值,采用one-hot编码,当c*=arg maxc S(xu)(i,j,c)时否则为0。
步骤4的训练过程不仅提升了实例分割模型的性能,并得到一个可以鉴别分割表现的判别卷积网络。该判别卷积网络通过二值化置信图来突出信任区域,将该区域反馈到实例分割模型等同于添加新的标注数据进行再训练,进一步优化了Mask R-CNN中反卷积网络的性能,极大地提高了模型的泛化能力。
步骤6、本发明公开的半监督实例分割方法采用多次递进训练的方式实现图像实例分割的半监督学习。步骤2为第一次训练,使用真假数据学得未标注数据的分布;步骤3是第二次训练,对标注数据进行分割,得到能够生成粗分割掩码的实例分割模型;步骤4是第三次训练,使用分割模型关于标注数据和未标注数据预测的类别置信图以及掩码真值训练判别卷积网络,并与实例分割模型组成对抗训练,以此改善实例分割模型的反卷积网络性能;步骤5是第四次训练,使用步骤4所得判别卷积网络对未标注数据的分割表现进行评估,并反馈到分割模型进行再训练,优化反卷积网络。四次训练以逐步递进式学习未标注数据的知识,由浅入深,层层递进。最终得到一个使用未标注数据和对抗学习全面优化的实例分割模型,在实际使用中,将待分割的图像输入到步骤5训练后的实例分割模型,得到预测掩码即为分割结果。
Claims (7)
1.基于逐步对抗学习的半监督图像实例分割方法,其特征在于,包括如下步骤:
(1)采集多幅待分割图像样本,对其中部分图像进行标注,得到标注数据集{Xl,Yl},其中Xl表示图像集合,Yl表示掩码标注集合;未标注的样本构成未标注数据集Xu;
构建实例分割模型,所述实例分割模型为Mask R-CNN,其主干网络为特征金字塔网络FPN;所述Mask R-CNN还包括区域生成网络、RolAlign、反卷积网络;所述FPN对输入图像进行特征提取并生成特征图,特征图输入到区域生成网络中,RolAlign对特征图以及区域生成网络的输出进行处理,处理结果输入到反卷积网络生成预测的掩码;
(2)对实例分割模型中的FPN进行训练:构建深度卷积生成对抗网络,Mask R-CNN中的FPN与真伪二分类器依次连接作为所述深度卷积生成对抗网络的判别器;将采集的图像样本集Xl∪Xu作为真实数据样本输入判别器,对深度卷积生成对抗网络进行训练,确定生成器和判别器的参数;
(3)对实例分割模型进行初步训练:保持步骤(2)中训练后FPN的参数不变,以标注数据集{Xl,Yl}作为样本,训练所述实例分割模型,优化Mask R-CNN其他模块的参数,得到能够生成粗分割掩码的实例分割模型;
(4)构建对抗学习网络,所述对抗学习网络包括实例分割模型、编码模块和判别卷积网络;所述实例分割模型对输入图像进行掩码预测,并生成类别置信图;编码模块对类别置信图和标注数据的掩码进行编码,编码后的数据作为判别卷积网络的输入,判别卷积网络对输入的编码数据进行判别,生成分割表现置信图,对实例分割模型的分割结果进行判断;
以图像样本集Xl∪Xu作为输入,对实例分割模型和判别卷积网络进行交替迭代训练,优化实例分割模型和判别卷积网络的参数;
(5)对实例分割模型进行再训练:以未标注数据集Xu作为对抗学习网络的输入,实例分割模型对输入图像进行掩码预测生成类别置信图,编码模块对类别置信图编码,编码后的数据经过判别卷积网络生成分割表现置信图,对分割表现置信图中置信度高于阈值Tsemi的区域反馈到实例分割模型中,对实例分割模型进行再训练;Tsemi为预设的判别阈值;
(6)将待分割的图像输入到步骤(5)训练后的实例分割模型,得到预测掩码即为分割结果。
2.根据权利要求1所述的基于逐步对抗学习的半监督图像实例分割方法,其特征在于,所述深度卷积生成对抗网络的生成器采用转置卷积网络。
3.根据权利要求1所述的基于逐步对抗学习的半监督图像实例分割方法,其特征在于,所述深度卷积生成对抗网络的损失函数为:
其中G表示生成器,D表示判别器,z表示生成器的输入噪声变量,pdata表示真实数据Xl∪Xu的分布,D(x)表示判别器的输出,G(z)表示生成器的输出,表示在真实数据上的数学期望,表示在噪声数据上的数学期望。
4.根据权利要求1所述的基于逐步对抗学习的半监督图像实例分割方法,其特征在于,所述判别卷积网络包括6个卷积层和一个转置卷积层,所述6个卷积层的通道数分别为64,128,128,256,256,512,且卷积核均为3x3。
5.根据权利要求1所述的基于逐步对抗学习的半监督图像实例分割方法,其特征在于,步骤(4)中编码模块对类别置信图和标注数据的掩码进行编码的步骤为:
获取类别置信图或标注数据的掩码所对应的原始图像;将原始图像RGB三通道数据分别与待编码的类别置信图或标注数据掩码的各个图层相同像素位置上的像素值相乘,得到3×(C+1)个通道的编码数据;C为不包括背景的总类别数。
6.根据权利要求1所述的基于逐步对抗学习的半监督图像实例分割方法,其特征在于,步骤(4)中对实例分割模型和判别卷积网络进行交替迭代训练的目标函数为:
其中λ是平衡两部分损失的系数,xl表示标注数据,yl表示标注的掩码真值,xu表示未标注数据,pdata表示数据分布,(i,j)表示判别卷积网络输出的分割表现置信图的像素位置,S表示实例分割模型,DCNN表示判别卷积网络,表示数学期望;
交替迭代训练过程中,训练实例分割模型的时候,保持判别卷积网络的参数不变;训练训练判别卷积网络的时候,保持实例分割模型的参数不变,如此交替迭代,实例分割模型和判别卷积网络都训练固定的步骤,直至收敛。
7.根据权利要求1所述的基于逐步对抗学习的半监督图像实例分割方法,其特征在于,步骤(5)中,对实例分割模型进行再训练的损失函数为:
其中I(·)表示指示函数,DCNN表示判别卷积网络,S表示实例分割模型,xu是未标注数据,c表示类别,(i,j)表示判别卷积网络输出的分割表现置信图的像素位置,Tsemi为预设的分割表现优劣的判断阈值,采用one-hot编码,当c*=argmaxcS(xu)(i,j,c)时否则为0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910168475.4A CN109949317B (zh) | 2019-03-06 | 2019-03-06 | 基于逐步对抗学习的半监督图像实例分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910168475.4A CN109949317B (zh) | 2019-03-06 | 2019-03-06 | 基于逐步对抗学习的半监督图像实例分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109949317A true CN109949317A (zh) | 2019-06-28 |
CN109949317B CN109949317B (zh) | 2020-12-11 |
Family
ID=67009119
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910168475.4A Active CN109949317B (zh) | 2019-03-06 | 2019-03-06 | 基于逐步对抗学习的半监督图像实例分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109949317B (zh) |
Cited By (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110443815A (zh) * | 2019-08-07 | 2019-11-12 | 中山大学 | 结合生成对抗网络的半监督视网膜oct图像层分割方法 |
CN110490884A (zh) * | 2019-08-23 | 2019-11-22 | 北京工业大学 | 一种基于对抗的轻量级网络语义分割方法 |
CN110619632A (zh) * | 2019-09-18 | 2019-12-27 | 华南农业大学 | 一种基于Mask R-CNN的芒果实例对抗分割方法 |
CN110674807A (zh) * | 2019-08-06 | 2020-01-10 | 中国科学院信息工程研究所 | 一种基于半监督与弱监督学习的曲形场景文字检测方法 |
CN110705558A (zh) * | 2019-09-29 | 2020-01-17 | 郑州阿帕斯科技有限公司 | 图像实例分割方法和装置 |
CN110765844A (zh) * | 2019-09-03 | 2020-02-07 | 华南理工大学 | 一种基于对抗学习的非感应式餐盘图像数据自动标注方法 |
CN110992374A (zh) * | 2019-11-28 | 2020-04-10 | 杭州趣维科技有限公司 | 一种基于深度学习的头发精细化分割方法及系统 |
CN111080645A (zh) * | 2019-11-12 | 2020-04-28 | 中国矿业大学 | 基于生成式对抗网络的遥感图像半监督语义分割方法 |
CN111091575A (zh) * | 2019-12-31 | 2020-05-01 | 电子科技大学 | 一种基于强化学习方法的医学图像分割方法 |
CN111428726A (zh) * | 2020-06-10 | 2020-07-17 | 中山大学 | 基于图神经网络的全景分割方法、系统、设备及存储介质 |
CN111445484A (zh) * | 2020-04-01 | 2020-07-24 | 华中科技大学 | 一种基于图像级标注的工业图像异常区域像素级分割方法 |
CN111488911A (zh) * | 2020-03-15 | 2020-08-04 | 北京理工大学 | 基于Mask R-CNN与GAN的图像实体抽取方法 |
CN111507993A (zh) * | 2020-03-18 | 2020-08-07 | 南方电网科学研究院有限责任公司 | 一种基于生成对抗网络的图像分割方法、装置及存储介质 |
CN111626284A (zh) * | 2020-05-26 | 2020-09-04 | 广东小天才科技有限公司 | 一种手写字体去除的方法、装置、电子设备和存储介质 |
CN111787323A (zh) * | 2020-05-23 | 2020-10-16 | 清华大学 | 一种基于对抗学习的可变比特率生成式压缩方法 |
CN111832650A (zh) * | 2020-07-14 | 2020-10-27 | 西安电子科技大学 | 基于生成对抗网络局部聚合编码半监督的图像分类方法 |
CN111833356A (zh) * | 2020-06-15 | 2020-10-27 | 五邑大学 | 脑部胶质瘤图像分级方法、装置及存储介质 |
CN111931591A (zh) * | 2020-07-15 | 2020-11-13 | 北京百度网讯科技有限公司 | 用于构建关键点学习模型的方法、装置、电子设备及可读存储介质 |
CN111967576A (zh) * | 2020-07-22 | 2020-11-20 | 长春工程学院 | 一种基于深度学习的地球化学数据处理方法和系统 |
CN112085738A (zh) * | 2020-08-14 | 2020-12-15 | 南京邮电大学 | 一种基于生成对抗网络的图像分割方法 |
CN112150478A (zh) * | 2020-08-31 | 2020-12-29 | 温州医科大学 | 一种构建半监督图像分割框架的方法及系统 |
CN112163634A (zh) * | 2020-10-14 | 2021-01-01 | 平安科技(深圳)有限公司 | 实例分割模型样本筛选方法、装置、计算机设备及介质 |
CN112766272A (zh) * | 2021-01-15 | 2021-05-07 | 北京迈格威科技有限公司 | 目标检测方法、装置和电子系统 |
CN112861855A (zh) * | 2021-02-02 | 2021-05-28 | 华南农业大学 | 基于对抗网络模型的群养猪实例分割方法 |
CN112949646A (zh) * | 2021-02-26 | 2021-06-11 | 平安科技(深圳)有限公司 | 电子显微断层数据的语义分割方法、装置、设备及介质 |
CN112966601A (zh) * | 2021-03-05 | 2021-06-15 | 上海深硅信息科技有限公司 | 一种人工智能师徒半监督学习的方法 |
WO2021135499A1 (zh) * | 2020-06-08 | 2021-07-08 | 平安科技(深圳)有限公司 | 损伤检测模型训练、车损检测方法、装置、设备及介质 |
CN113129309A (zh) * | 2021-03-04 | 2021-07-16 | 同济大学 | 基于对象上下文一致性约束的医学图像半监督分割系统 |
CN113160233A (zh) * | 2021-04-02 | 2021-07-23 | 易普森智慧健康科技(深圳)有限公司 | 利用稀疏标注数据集训练实例分割神经网络模型的方法 |
CN113221948A (zh) * | 2021-04-13 | 2021-08-06 | 复旦大学 | 基于对抗生成网络和弱监督学习的数字切片图像分类方法 |
CN113313197A (zh) * | 2021-06-17 | 2021-08-27 | 哈尔滨工业大学 | 一种全连接神经网络训练方法 |
CN113379773A (zh) * | 2021-05-28 | 2021-09-10 | 陕西大智慧医疗科技股份有限公司 | 基于双重注意力机制的分割模型建立、分割方法及装置 |
CN113435458A (zh) * | 2021-02-08 | 2021-09-24 | 中国石油化工股份有限公司 | 基于机器学习的岩石薄片图像分割方法、装置及介质 |
CN114897914A (zh) * | 2022-03-16 | 2022-08-12 | 华东师范大学 | 基于对抗训练的半监督ct图像分割方法 |
CN114972291A (zh) * | 2022-06-14 | 2022-08-30 | 中山大学 | 基于混合增强智能的医学影像结构化自动标注方法与系统 |
CN115359073A (zh) * | 2022-10-17 | 2022-11-18 | 湖南自兴智慧医疗科技有限公司 | 基于对抗生成网络的染色体拓扑结构分割方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9519868B2 (en) * | 2012-06-21 | 2016-12-13 | Microsoft Technology Licensing, Llc | Semi-supervised random decision forests for machine learning using mahalanobis distance to identify geodesic paths |
CN106651877A (zh) * | 2016-12-20 | 2017-05-10 | 北京旷视科技有限公司 | 实例分割方法及装置 |
CN107301400A (zh) * | 2017-06-23 | 2017-10-27 | 深圳市唯特视科技有限公司 | 一种语义导向的半监督视频对象分割方法 |
CN108549895A (zh) * | 2018-04-17 | 2018-09-18 | 深圳市唯特视科技有限公司 | 一种基于对抗网络的半监督语义分割方法 |
CN108875732A (zh) * | 2018-01-11 | 2018-11-23 | 北京旷视科技有限公司 | 模型训练与实例分割方法、装置和系统及存储介质 |
CN109255790A (zh) * | 2018-07-27 | 2019-01-22 | 北京工业大学 | 一种弱监督语义分割的自动图像标注方法 |
-
2019
- 2019-03-06 CN CN201910168475.4A patent/CN109949317B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9519868B2 (en) * | 2012-06-21 | 2016-12-13 | Microsoft Technology Licensing, Llc | Semi-supervised random decision forests for machine learning using mahalanobis distance to identify geodesic paths |
CN106651877A (zh) * | 2016-12-20 | 2017-05-10 | 北京旷视科技有限公司 | 实例分割方法及装置 |
CN107301400A (zh) * | 2017-06-23 | 2017-10-27 | 深圳市唯特视科技有限公司 | 一种语义导向的半监督视频对象分割方法 |
CN108875732A (zh) * | 2018-01-11 | 2018-11-23 | 北京旷视科技有限公司 | 模型训练与实例分割方法、装置和系统及存储介质 |
CN108549895A (zh) * | 2018-04-17 | 2018-09-18 | 深圳市唯特视科技有限公司 | 一种基于对抗网络的半监督语义分割方法 |
CN109255790A (zh) * | 2018-07-27 | 2019-01-22 | 北京工业大学 | 一种弱监督语义分割的自动图像标注方法 |
Non-Patent Citations (5)
Title |
---|
2016 24TH EUROPEAN SIGNAL PROCESSING CONFERENCE (EUSIPCO): "Bayesian image segmentation using hidden fields: Supervised, unsupervised, and semi-supervised formulations", 《2016 24TH EUROPEAN SIGNAL PROCESSING CONFERENCE (EUSIPCO)》 * |
NASIM SOULY等: "Semi and Weakly Supervised Semantic Segmentation Using Generative Adversarial Network", 《HTTPS://ARXIV.ORG/PDF/1703.09695.PDF》 * |
YANZHAO ZHOU等: "Weakly Supervised Instance Segmentation Using Class Peak Response", 《2018 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
刘其开: "基于半监督生成对抗网络的图像分类", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
牛杰等: "基于前景分割的目标实时检测方法", 《计算机应用》 * |
Cited By (57)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110674807A (zh) * | 2019-08-06 | 2020-01-10 | 中国科学院信息工程研究所 | 一种基于半监督与弱监督学习的曲形场景文字检测方法 |
CN110443815A (zh) * | 2019-08-07 | 2019-11-12 | 中山大学 | 结合生成对抗网络的半监督视网膜oct图像层分割方法 |
CN110443815B (zh) * | 2019-08-07 | 2023-04-21 | 中山大学 | 结合生成对抗网络的半监督视网膜oct图像层分割方法 |
CN110490884A (zh) * | 2019-08-23 | 2019-11-22 | 北京工业大学 | 一种基于对抗的轻量级网络语义分割方法 |
CN110765844B (zh) * | 2019-09-03 | 2023-05-26 | 华南理工大学 | 一种基于对抗学习的非感应式餐盘图像数据自动标注方法 |
CN110765844A (zh) * | 2019-09-03 | 2020-02-07 | 华南理工大学 | 一种基于对抗学习的非感应式餐盘图像数据自动标注方法 |
CN110619632A (zh) * | 2019-09-18 | 2019-12-27 | 华南农业大学 | 一种基于Mask R-CNN的芒果实例对抗分割方法 |
CN110619632B (zh) * | 2019-09-18 | 2022-01-11 | 华南农业大学 | 一种基于Mask R-CNN的芒果实例对抗分割方法 |
CN110705558A (zh) * | 2019-09-29 | 2020-01-17 | 郑州阿帕斯科技有限公司 | 图像实例分割方法和装置 |
CN110705558B (zh) * | 2019-09-29 | 2022-03-08 | 郑州阿帕斯科技有限公司 | 图像实例分割方法和装置 |
CN111080645B (zh) * | 2019-11-12 | 2023-08-15 | 中国矿业大学 | 基于生成式对抗网络的遥感图像半监督语义分割方法 |
CN111080645A (zh) * | 2019-11-12 | 2020-04-28 | 中国矿业大学 | 基于生成式对抗网络的遥感图像半监督语义分割方法 |
CN110992374A (zh) * | 2019-11-28 | 2020-04-10 | 杭州趣维科技有限公司 | 一种基于深度学习的头发精细化分割方法及系统 |
CN110992374B (zh) * | 2019-11-28 | 2023-09-05 | 杭州小影创新科技股份有限公司 | 一种基于深度学习的头发精细化分割方法及系统 |
CN111091575B (zh) * | 2019-12-31 | 2022-10-18 | 电子科技大学 | 一种基于强化学习方法的医学图像分割方法 |
CN111091575A (zh) * | 2019-12-31 | 2020-05-01 | 电子科技大学 | 一种基于强化学习方法的医学图像分割方法 |
CN111488911A (zh) * | 2020-03-15 | 2020-08-04 | 北京理工大学 | 基于Mask R-CNN与GAN的图像实体抽取方法 |
CN111488911B (zh) * | 2020-03-15 | 2022-04-19 | 北京理工大学 | 基于Mask R-CNN与GAN的图像实体抽取方法 |
CN111507993A (zh) * | 2020-03-18 | 2020-08-07 | 南方电网科学研究院有限责任公司 | 一种基于生成对抗网络的图像分割方法、装置及存储介质 |
CN111445484B (zh) * | 2020-04-01 | 2022-08-02 | 华中科技大学 | 一种基于图像级标注的工业图像异常区域像素级分割方法 |
CN111445484A (zh) * | 2020-04-01 | 2020-07-24 | 华中科技大学 | 一种基于图像级标注的工业图像异常区域像素级分割方法 |
US11153566B1 (en) | 2020-05-23 | 2021-10-19 | Tsinghua University | Variable bit rate generative compression method based on adversarial learning |
CN111787323A (zh) * | 2020-05-23 | 2020-10-16 | 清华大学 | 一种基于对抗学习的可变比特率生成式压缩方法 |
CN111787323B (zh) * | 2020-05-23 | 2021-09-03 | 清华大学 | 一种基于对抗学习的可变比特率生成式压缩方法 |
CN111626284A (zh) * | 2020-05-26 | 2020-09-04 | 广东小天才科技有限公司 | 一种手写字体去除的方法、装置、电子设备和存储介质 |
CN111626284B (zh) * | 2020-05-26 | 2023-10-03 | 广东小天才科技有限公司 | 一种手写字体去除的方法、装置、电子设备和存储介质 |
WO2021135499A1 (zh) * | 2020-06-08 | 2021-07-08 | 平安科技(深圳)有限公司 | 损伤检测模型训练、车损检测方法、装置、设备及介质 |
CN111428726A (zh) * | 2020-06-10 | 2020-07-17 | 中山大学 | 基于图神经网络的全景分割方法、系统、设备及存储介质 |
CN111428726B (zh) * | 2020-06-10 | 2020-09-11 | 中山大学 | 基于图神经网络的全景分割方法、系统、设备及存储介质 |
CN111833356A (zh) * | 2020-06-15 | 2020-10-27 | 五邑大学 | 脑部胶质瘤图像分级方法、装置及存储介质 |
CN111832650A (zh) * | 2020-07-14 | 2020-10-27 | 西安电子科技大学 | 基于生成对抗网络局部聚合编码半监督的图像分类方法 |
CN111832650B (zh) * | 2020-07-14 | 2023-08-01 | 西安电子科技大学 | 基于生成对抗网络局部聚合编码半监督的图像分类方法 |
CN111931591B (zh) * | 2020-07-15 | 2024-01-12 | 北京百度网讯科技有限公司 | 用于构建关键点学习模型的方法、装置、电子设备及可读存储介质 |
CN111931591A (zh) * | 2020-07-15 | 2020-11-13 | 北京百度网讯科技有限公司 | 用于构建关键点学习模型的方法、装置、电子设备及可读存储介质 |
CN111967576B (zh) * | 2020-07-22 | 2022-09-02 | 长春工程学院 | 一种基于深度学习的地球化学数据处理方法和系统 |
CN111967576A (zh) * | 2020-07-22 | 2020-11-20 | 长春工程学院 | 一种基于深度学习的地球化学数据处理方法和系统 |
CN112085738B (zh) * | 2020-08-14 | 2022-08-26 | 南京邮电大学 | 一种基于生成对抗网络的图像分割方法 |
CN112085738A (zh) * | 2020-08-14 | 2020-12-15 | 南京邮电大学 | 一种基于生成对抗网络的图像分割方法 |
CN112150478A (zh) * | 2020-08-31 | 2020-12-29 | 温州医科大学 | 一种构建半监督图像分割框架的方法及系统 |
CN112163634B (zh) * | 2020-10-14 | 2023-09-05 | 平安科技(深圳)有限公司 | 实例分割模型样本筛选方法、装置、计算机设备及介质 |
CN112163634A (zh) * | 2020-10-14 | 2021-01-01 | 平安科技(深圳)有限公司 | 实例分割模型样本筛选方法、装置、计算机设备及介质 |
CN112766272A (zh) * | 2021-01-15 | 2021-05-07 | 北京迈格威科技有限公司 | 目标检测方法、装置和电子系统 |
CN112861855A (zh) * | 2021-02-02 | 2021-05-28 | 华南农业大学 | 基于对抗网络模型的群养猪实例分割方法 |
CN113435458A (zh) * | 2021-02-08 | 2021-09-24 | 中国石油化工股份有限公司 | 基于机器学习的岩石薄片图像分割方法、装置及介质 |
CN112949646B (zh) * | 2021-02-26 | 2023-12-19 | 平安科技(深圳)有限公司 | 电子显微断层数据的语义分割方法、装置、设备及介质 |
CN112949646A (zh) * | 2021-02-26 | 2021-06-11 | 平安科技(深圳)有限公司 | 电子显微断层数据的语义分割方法、装置、设备及介质 |
CN113129309A (zh) * | 2021-03-04 | 2021-07-16 | 同济大学 | 基于对象上下文一致性约束的医学图像半监督分割系统 |
CN112966601A (zh) * | 2021-03-05 | 2021-06-15 | 上海深硅信息科技有限公司 | 一种人工智能师徒半监督学习的方法 |
CN113160233A (zh) * | 2021-04-02 | 2021-07-23 | 易普森智慧健康科技(深圳)有限公司 | 利用稀疏标注数据集训练实例分割神经网络模型的方法 |
CN113221948B (zh) * | 2021-04-13 | 2022-08-05 | 复旦大学 | 基于对抗生成网络和弱监督学习的数字切片图像分类方法 |
CN113221948A (zh) * | 2021-04-13 | 2021-08-06 | 复旦大学 | 基于对抗生成网络和弱监督学习的数字切片图像分类方法 |
CN113379773A (zh) * | 2021-05-28 | 2021-09-10 | 陕西大智慧医疗科技股份有限公司 | 基于双重注意力机制的分割模型建立、分割方法及装置 |
CN113313197A (zh) * | 2021-06-17 | 2021-08-27 | 哈尔滨工业大学 | 一种全连接神经网络训练方法 |
CN114897914A (zh) * | 2022-03-16 | 2022-08-12 | 华东师范大学 | 基于对抗训练的半监督ct图像分割方法 |
CN114972291A (zh) * | 2022-06-14 | 2022-08-30 | 中山大学 | 基于混合增强智能的医学影像结构化自动标注方法与系统 |
CN114972291B (zh) * | 2022-06-14 | 2024-04-05 | 中山大学 | 基于混合增强智能的医学影像结构化自动标注方法与系统 |
CN115359073A (zh) * | 2022-10-17 | 2022-11-18 | 湖南自兴智慧医疗科技有限公司 | 基于对抗生成网络的染色体拓扑结构分割方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109949317B (zh) | 2020-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109949317A (zh) | 基于逐步对抗学习的半监督图像实例分割方法 | |
CN107316061B (zh) | 一种深度迁移学习的不平衡分类集成方法 | |
CN110929679B (zh) | 一种基于gan的无监督自适应行人重识别方法 | |
CN108229550B (zh) | 一种基于多粒度级联森林网络的云图分类方法 | |
CN107392919B (zh) | 基于自适应遗传算法的灰度阈值获取方法、图像分割方法 | |
CN106778796B (zh) | 基于混合式协同训练的人体动作识别方法及系统 | |
CN107133943A (zh) | 一种防震锤缺陷检测的视觉检测方法 | |
CN111274921B (zh) | 一种利用姿态掩模进行人体行为识别的方法 | |
CN103984943B (zh) | 一种基于贝叶斯概率框架的场景文本识别方法 | |
CN107590432A (zh) | 一种基于循环三维卷积神经网络的手势识别方法 | |
CN106650806A (zh) | 一种用于行人检测的协同式深度网络模型方法 | |
CN110674483B (zh) | 一种基于多模态信息的身份识别方法 | |
CN110688927B (zh) | 一种基于时序卷积建模的视频动作检测方法 | |
CN111581385A (zh) | 一种不平衡数据采样的中文文本类别识别系统及方法 | |
CN107169417A (zh) | 基于多核增强和显著性融合的rgbd图像协同显著性检测方法 | |
CN113807176B (zh) | 一种基于多知识融合的小样本视频行为识别方法 | |
CN109344898A (zh) | 基于稀疏编码预训练的卷积神经网络图像分类方法 | |
CN107247952A (zh) | 基于深层监督的循环卷积神经网络的视觉显著性检测方法 | |
CN111462162A (zh) | 一种特定类别图片的前景分割算法 | |
CN107967441B (zh) | 一种基于双通道3d-2d rbm模型的视频行为识别方法 | |
CN114494941A (zh) | 一种基于对比学习的弱监督时序动作定位方法 | |
Zheng et al. | Action recognition based on the modified twostream CNN | |
CN109800809A (zh) | 一种基于维度分解的候选区域提取方法 | |
CN110097067A (zh) | 一种基于层进式特征变换的弱监督细粒度图像分类方法 | |
CN105893967B (zh) | 基于时序保留性时空特征的人体行为分类检测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |