CN115170793A - 面向工业产品质检的小样本图像分割自我校准方法 - Google Patents

面向工业产品质检的小样本图像分割自我校准方法 Download PDF

Info

Publication number
CN115170793A
CN115170793A CN202210163267.7A CN202210163267A CN115170793A CN 115170793 A CN115170793 A CN 115170793A CN 202210163267 A CN202210163267 A CN 202210163267A CN 115170793 A CN115170793 A CN 115170793A
Authority
CN
China
Prior art keywords
picture
query
pixel
self
calibration
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.)
Pending
Application number
CN202210163267.7A
Other languages
English (en)
Inventor
高广宇
方致远
刘驰
张泽康
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202210163267.7A priority Critical patent/CN115170793A/zh
Publication of CN115170793A publication Critical patent/CN115170793A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G06F16/532—Query formulation, e.g. graphical querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出一种面向工业产品质检的小样本图像分割自我校准方法，包括：训练图像采集、划分训练集和测试集、选取指导图片和查询图片构造输入、算法模型初始化、进行自我校准算法的训练、算法性能的测试。所述校准方法，将小样本学习算法和工业产品质检相结合，利用双分支结构，解决工业产品质检领域由于缺少数据和缺少有关数据的标注等原因，无法将深度学习方法应用到工业产品质检的问题。

Description

面向工业产品质检的小样本图像分割自我校准方法
技术领域
本发明涉及计算机视觉技术领域，具体涉及一种面向工业产品质检的小样本图像分割自我校准方法。
背景技术
工业产品的缺陷检测是工业领域的重要分支，由于缺陷多种多样，传统的机器视觉算法很难对缺陷的特征进行完整的建模和迁移，而深度学习在特征提取和定位上都有比较好的结果，因此，使用基于深度学习的图像语义分割算法来进行工业产品的缺陷检测是目前研究的主要方法之一。
图像语义分割是计算机视觉中的一项基本任务，该任务旨在将输入图像中的每个像素划分为一个明确的类别。近年来，随着深度学习技术的发展和大规模标注数据集的出现，使得图像语义分割的准确率得到了显著的提高，图像语义分割技术也在缺陷检测、医学影像处理、自动驾驶等领域发挥着越来越大的作用。目前基于深度学习的图像语义分割算法主要通过深度卷积神经网络(Deep Convolution Neural Network)进行实现。虽然这类算法具有优异的性能，但是它们存在两个问题：
第一，基于深度学习的图像语义分割算法需要使用大量逐像素标注的图片来进行训练，才能生成一个性能良好的模型。以图像语义分割常用的数据集Common Objects inContext(下文简称COCO)为例，COCO数据集提供了12万张图片用于图像语义分割，每张图片都由人工进行逐像素(每张图片几万甚至几十万个像素)的标注以保证算法所涉及的模型能够得到充分地训练而收敛。
第二，基于深度学习的图像语义分割算法在训练完成后，针对新的图像类别，即没有参与训练模型的类别，除非同原来的数据一起重新训练模型，否则无法基于现有模型实现新类别的图像分割需求。例如，COCO数据集一共包含80个物体类别，则使用COCO数据集训练生成的图像语义分割模型只能对包含这80类的图像进行语义分割。若此时增加了新类别(如工业金属氧化块区域、轻工业织物破损区域)的语义分割需求，则只能通过人工标记大量的新类别图像，并重新训练模型来实现。要解决新类别图片数量不足、没有高质量的逐像素标注等问题，而这需要付出巨大的时间成本和人力成本。同时在缺陷检测等工业领域，相关数据的公开性不高，且获取成本高，不同的缺陷之间差异较大，这给深度学习方法在缺陷检测上的使用增加了难度。
基于现有技术存在的如上述问题，本发明提供一种面向工业产品质检的小样本图像分割自我校准方法。
发明内容
本发明提出了一种面向工业产品质检的小样本图像分割自我校准方法。
本发明采用以下技术方案：
一种面向工业产品质检的小样本图像分割自我校准方法，包括：
步骤1，采集训练图像，获得数据集，将数据集划分为训练集Cbase和测试集Cnovel两类，训练集Cbase为拥有样本缺陷的种类，训练集Cbase和测试集Cnovel无交集；
步骤2，构造自我校准算法的输入数据，输入数据包括若干三元组(Is，Ms，Iq)，三元组作为训练或测试过程中的基本数据单元，称为一个段，自我校准算法包括指导分支和查询分支，其中指导分支输入指导图片Is和指导图片Is的逐像素标注图像Ms，指导分支用于从被充分标注的指导图片Is中学习并提取先验知识；查询分支的输入为查询图片Iq，查询分支用于借鉴指导图片Is学习的知识来生成查询图片Iq的预测结果；
步骤3，提取输入图片特征，对于每一个段，指导图片Is和查询图片Iq分别通过一个由卷积神经网络组成的编码器，提取出其在高维空间的深度特征，指导图片Is的高维特征记为Fs，查询图片Iq的高维特征记为Fq；
步骤4，生成指导图片的特征表示，将指导图片Is的高维特征Fs输入到指导分支中，生成对应的特征表示；将指导图片Is的高维特征Fs和其标注Ms的逐像素相乘，将指导图片Is高维特征Fs中的背景部分去除；通过全局平均池化生成指导图片Is的特征表示Vs，输入到查询分支中；
步骤5，生成预测概率分布图，将查询图片Iq的高维特征Fq输入到查询分支中，和指导图片Is的特征表示Vs一起生成查询图片Iq的初步分割预测，指导图片Is的特征表示Vs和查询图片Iq的高维特征Fq逐像素的计算余弦相似度，能够得到一概率分布图P，其中每个位置的值表示该位置像素属于前景类别的概率；
步骤6，生成初步标记掩码，选取一个阈值，将概率分布图P中大于阈值的位置设置为1，小于阈值的位置设置为0，得到由0和1组成的初步分割预测Minit，其中0代表该位置像素属于背景类别，1代表该位置像素属于前景类别；
步骤7，生成用于对初步分割预测Minit进行自我校准的特征表示Vq，由于存在类内差异的问题，指导图片和查询图片的前景部分存在差异，初步分割预测Minit中有预测错误或漏预测的部分，需要进行进一步校准；
步骤8，令查询图片Iq的高层特征Fq和Vq逐像素计算余弦相似度，得到中间结果P′，令P′和查询图片Iq的高维特征Fq相乘，输入到ASPP模块中，得到输出校准后的校准分割预测结果Mrec对应的概率分布图Pr，作为算法的输出；
步骤9，计算所述算法的自我校准损失，监督模型的训练；
步骤10，生成预测结果。
进一步地，步骤7中，所述自我校准包括：令查询图片Iq的高维特征Fq和Minit相乘，去除掉被判定为背景的区域，然后通过全局平均池化生成查询图片Iq的特征表示Vq。
进一步地，步骤9中，所述校准损失包括第一损失和第二损失，所述第一损失为初步分割预测Minit对应的概率分布图P和查询图片Iq的真实标注Mq之间的交叉熵损失，计算公式如下：
Figure BDA0003515615750000031
所述第二损失为校准分割预测概率分布图Pr和查询图片Iq的真实标注Mq之间的交叉熵损失，计算公式如下：
Figure BDA0003515615750000032
在上式(1)和(2)中，N均代表像素点的总数，x和y分别为图像中每个像素点的空间位置坐标，总的损失函数为
Figure BDA0003515615750000033
和
Figure BDA0003515615750000034
的加权求和，计算公式为：
Figure BDA0003515615750000035
所述算法的优化目标是最小化损失函数
Figure BDA0003515615750000036
进一步地，步骤10包括：
将概率分布图P和Pr加权融合，得到一个新的概率分布图Pfuse；对Pfuse进行归一化，将其内部所有的数值都映射到0到1之间；选取一阈值，将概率分布图Pfuse中大于阈值的位置设置为1，小于阈值的位置设置为0，得到由0和1组成的分割预测Mfuse，其中0代表该位置像素属于背景类别，1代表该位置像素属于前景类别。
与现有技术相比，本发明的优越效果在于：
1，本发明所述的面向工业产品质检的小样本图像分割自我校准方法，将小样本学习算法和工业产品质检相结合，利用双分支结构，解决工业产品质检领域由于缺少数据和缺少有关数据的标注等原因，无法将深度学习方法应用到工业产品质检的问题；
2，本发明在双分支结构的基础上，提出了一个自我校准算法，进一步提升算法进行图像分割的精确度，由于类内差异的普遍存在，指导图片中的对象和查询图片中的对象之间可能存在较大的差异，如果简单的使用双分支结构进行图像分割，很可能会出现错误分割或遗漏的现象，通过自我校准算法，可以有效的纠正双分支结构错误分割的部分，补足遗漏的部分。
附图说明
图1为本发明实施例中面向工业产品质检的小样本图像分割自我校准方法的流程示意图；
图2为本发明实施例中图像分割自我校准算法的指导分支和查询分支的示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述，需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
实施例
如图1所示，所述自我校准方法包含前向和反向两个步骤，前向的流程如下：首先指导图片的特征和指导图片的逐像素标注(前景区域的值为1，背景区域的值为0)逐像素相乘，将指导图片的背景区域置为0；然后通过全局平均池化计算得到指导图片的前景特征表示；指导图片和查询图片特征计算余弦相似度，经过归一化和二值化处理后，得到初步的分割预测。反向的流程如下：首先，前向步骤中得到的初步分割预测和查询图片特征相乘，将查询图片初步被预测为背景的部分置为0；然后通过全局平均池化得到当前的查询图片前景特征表示，该特征表示和查询图片特征计算余弦相似度后，结果和查询图片特征相乘并送入ASPP模块；ASPP模块的输出经过二值化操作得到校准分割结果。
具体的，所述自我校准方法包括：训练图像采集、划分训练集和测试集、选取指导图片和查询图片构造输入、算法模型初始化、进行自我校准算法的训练、算法性能的测试：
训练图像采集，本实施例所述方法的实现过程中，主要使用了公开的数据集Magnetic Tiles，该数据集采集了6种常见的磁瓦缺陷的图像，共计1344张图片，并对其进行像素级的标记；同时，采用小样本语义分割算法常用的数据集Pascal VOC 2012和CommonObjects in Context(COCO)数据集，Pascal VOC 2012数据集一共有11530张图片，包含20个类别，包括人、鸟、猫、飞机、自行车、瓶、椅子、餐桌等类别，COCO数据集中拥有超过10张带有逐像素标注的图片，包含80个类别，除了包含Pascal VOC 2012中的20个类别以外，还包含了斑马、长颈鹿、交通灯等类别，且类与类之间的差异性更大，因此是一个更具有挑战性的数据集；
划分训练集和测试集，首先，将数据集中的类别划分为4组，Magnetic Tiles数据集中的6个类别划分为4组后，每组包含3个类别(由于该数据集类别数较少，因此采用滑动窗口的方式进行选取)；Pascal VOC 2012数据集中的20个类别划分为4组后，每组包含20个类中的5个类别；COCO数据集中的80个类别划分为4组后，每组包含80个类别中的20个类别，在每次训练和测试的过程中，选择其中的3组类别构成训练集，剩余的1组类别构成测试集，为了保证实验结果的普适性，在实验的过程中进行了4组交叉验证实验，即在第i组实验时，选择第i组类别构建测试集，剩余的3组类别构建训练集，最终以4组实验的综合指标来评判算法结果的好坏；
在训练集和测试集上构造基本数据单元“段”，即分别选取指导图片及像素级标注图像，以及查询图片构造输入构成三元组，具体的构造方法为：在训练阶段，首先从选定的三组类别(若使用Magnetic Tiles则共有3个类别，若使用Pascal VOC 2012数据集则共有15个类，若使用COCO数据集则共有60个类)中随机选择一个类别，然后从该类别的图片中随机采样两张图片，一张图片作为指导图片(同时从数据集中获取该图的逐像素标注图像)，另一张图片作为查询图片(不使用逐像素标注图像，该标注图像仅用于同预测的标注图像进行对比计算差异，并用该差异来衡量预测的有效性)。两张图片共同输入到算法中，在算法的训练过程中，一共进行了三万次迭代，即按照上述包括指导图片和查询图片的三元组选取原则，共构造三万组“指导图片-查询图片”三元组，依次输入到算法中，并计算最终的预测图像作为查询图像的分割结果；
如图2所示，指导分支和查询分支构成双分支结构，具体流程：首先指导图片和查询图片分别输入到特征编码器，得到指导图片特征和查询图片特征；指导图片特征和指导图片的逐像素标注送入指导分支生成指导图片的特征表示；指导图片的特征表示和查询图片特征输入查询分支，生成查询图片的分割结果；查询图片的分割结果和其真实的分割标签计算损失，监督整个算法的训练，针对所构造的双分支结构的模型训练的算法过程如下：
1.模型初始化，在实验中，选择ResNet-50作为特征编码器，为了达到更好的训练效果，从网上下载ResNet-50在大规模数据集上的预训练参数，加载到当前的算法模型中；
2.自我校准算法，根据所构造的双分支模型结构输出的初步分割预测Minit进行自我校准。由于存在类内差异的问题，指导图片和查询图片的前景部分可能会存在较大的差异，初步分割预测Minit中会有很多预测错误或漏预测的部分，因此需要进行进一步校准，具体方式为：令查询图片的高维特征Fq和Minit相乘，去除掉被判定为背景的区域，然后通过全局平均池化生成查询图片的特征表示Vq；
3.令查询图片Iq的经过ResNet-50特征编码器输出的特征Fq和Vq逐像素计算余弦相似度，得到中间结果的特征P′，令P′和Fq再相乘，结果输入到ASPP模块中，输出同查询图像大小一样的概率分布图Pr作为模型的输出，其中Pr的每个像素值表示查询图像对应位置像素值属于查询图像所述类别的概率值；
4.随后，构造求解模型参数的损失函数，并运用梯度下降法求解损失函数的最小值，其最小值对应的参数值即为最终模型参数，其中，损失函数
Figure BDA0003515615750000051
包括初步分割预测结果以及校准后分割预测结果，分别与查询图像真实的逐像素标注图之间的差异，即
Figure BDA0003515615750000052
和
Figure BDA0003515615750000053
两项。其中损失函数
Figure BDA0003515615750000054
和损失函数
Figure BDA0003515615750000055
的融合权重λ设置为0.4，即，
Figure BDA0003515615750000056
5.算法模型的参数通过反向传播进行更新，选择随机梯度下降(stochasticgradient descent，SGD)作为优化器，初始学习率设置为1×10-5，动量大小设置为0.9，权重衰减设置为5×10-4，并进行30,000次迭代，在完成所有迭代后，将算法的参数保存到配置文件中，供测试时调用。
针对所构造的双分支结构的训练模型性能的测试如下：
在测试阶段需要使用本实施例中“划分训练集和测试集”构造的测试集上运行算法训练完毕后保存的训练模型，并对推导出的最终预测分割结果和真实逐像素标记计算差异来度量模型性能，具体过程为：首先加载训练完成后生成的模型，然后从测试数据包含的5个类别中随机均匀采样一个类别，进而从该类别中随机抽取一个图片和对应标注作为指导图片及其像素级标注，随机抽取该类别的另一个图片作为查询图片，共同构成基本三元组表示的段，输入到模型中，如图2所示；其次，依照训练模型的结构，以及训练所获得的最优参数值，模型最终会生成一个初步的分割预测Minit和校准分割预测Mrec，预测输出结果则为两个分割预测结果的逐像素加权和，即，M＝λ·Minit+Mrec，其中λ的取值为0.4；最后，将上述随机抽取数据并计算预测结果的过程一共重复进行1000次，并计算平均分割精度作为整个测试数据集的测试效果度量值。在本次实验以及训练过程中，使用模型预测分割图与真实分割图之间的平均交并比(mean Intersection over Union，mIoU)来度量模型的分割预测性能，计算公式为：
Figure BDA0003515615750000061
上式中，pij表示该图片属于第i类，但预测结果为j的像素点数量，由于mIoU综合考虑了算法预测各个类别的性能，因此可以更加全面的表现算法的预测能力。
本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书界定。

Claims (4)

1.一种面向工业产品质检的小样本图像分割自我校准方法，其特征在于，包括：
步骤1，采集训练图像，获得数据集，将数据集划分为训练集Cbase和测试集Cnovel两类，训练集Cbase为拥有样本缺陷的种类，训练集Cbase和测试集Cnovel无交集；
步骤2，构造自我校准算法的输入数据，输入数据包括若干三元组(Is，Ms，Iq)，三元组作为训练或测试过程中的基本数据单元，称为一个段，自我校准算法包括指导分支和查询分支，其中指导分支输入指导图片Is和指导图片Is的逐像素标注图像Ms，指导分支用于从被充分标注的指导图片Is中学习并提取先验知识；查询分支的输入为查询图片Iq，查询分支用于借鉴指导图片Is学习的知识来生成查询图片Iq的预测结果；
步骤3，提取输入图片特征，对于每一个段，指导图片Is和查询图片Iq分别通过一个由卷积神经网络组成的编码器，提取出其在高维空间的深度特征，指导图片Is的高维特征记为Fs，查询图片Iq的高维特征记为Fq；
步骤4，生成指导图片的特征表示，将指导图片Is的高维特征Fs输入到指导分支中，生成对应的特征表示；将指导图片Is的高维特征Fs和其标注Ms的逐像素相乘，将指导图片Is高维特征Fs中的背景部分去除；通过全局平均池化生成指导图片Is的特征表示Vs，输入到查询分支中；
步骤5，生成预测概率分布图，将查询图片Iq的高维特征Fq输入到查询分支中，和指导图片Is的特征表示Vs一起生成查询图片Iq的初步分割预测，指导图片Is的特征表示Vs和查询图片Iq的高维特征Fq逐像素的计算余弦相似度，能够得到一概率分布图P，其中每个位置的值表示该位置像素属于前景类别的概率；
步骤6，生成初步标记掩码，选取一个阈值，将概率分布图P中大于阈值的位置设置为1，小于阈值的位置设置为0，得到由0和1组成的初步分割预测Minit，其中0代表该位置像素属于背景类别，1代表该位置像素属于前景类别；
步骤7，生成用于对初步分割预测Minit进行自我校准的特征表示Vq，由于存在类内差异的问题，指导图片和查询图片的前景部分存在差异，初步分割预测Minit中有预测错误或漏预测的部分，需要进行进一步校准；
步骤8，令查询图片Iq的高层特征Fq和Vq逐像素计算余弦相似度，得到中间结果P′，令P′和查询图片Iq的高维特征Fq相乘，输入到ASPP模块中，得到输出校准后的校准分割预测结果Mrec对应的概率分布图Pr，作为算法的输出；
步骤9，计算所述算法的自我校准损失，监督模型的训练；
步骤10，生成预测结果。
2.根据权利要求1所述的面向工业产品质检的小样本图像分割自我校准方法，其特征在于，步骤7中，所述自我校准包括：令查询图片Iq的高维特征Fq和Minit相乘，去除掉被判定为背景的区域，然后通过全局平均池化生成查询图片Iq的特征表示Vq。
3.根据权利要求1所述的面向工业产品质检的小样本图像分割自我校准方法，其特征在于，步骤9中，所述校准损失包括第一损失和第二损失，所述第一损失为概率分布图P和查询图片Iq的真实标注Mq之间的交叉熵损失，计算公式如下：
Figure FDA0003515615740000021
所述第二损失为概率分布图Pr和查询图片Iq的真实标注Mq之间的交叉熵损失，计算公式如下：
Figure FDA0003515615740000022
在上式(1)和(2)中，N均代表像素点的总数，x和y分别为图像中每个像素点的空间位置坐标，总的损失函数为
Figure FDA0003515615740000023
和
Figure FDA0003515615740000024
的加权求和，计算公式为：
Figure FDA0003515615740000025
所述算法的优化目标是最小化损失函数
Figure FDA0003515615740000026
4.根据权利要求1所述的面向工业产品质检的小样本图像分割自我校准方法，其特征在于，步骤10包括：
将概率分布图P和概率分布图Pr加权融合，得到一个新的概率分布图Pfuse；对Pfuse进行归一化，将其内部所有的数值都映射到0到1之间；选取一阈值，将概率分布图Pfuse中大于阈值的位置设置为1，小于阈值的位置设置为0，得到由0和1组成的分割预测Mfuse，其中0代表该位置像素属于背景类别，1代表该位置像素属于前景类别。
CN202210163267.7A 2022-02-22 2022-02-22 面向工业产品质检的小样本图像分割自我校准方法 Pending CN115170793A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210163267.7A CN115170793A (zh) 2022-02-22 2022-02-22 面向工业产品质检的小样本图像分割自我校准方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210163267.7A CN115170793A (zh) 2022-02-22 2022-02-22 面向工业产品质检的小样本图像分割自我校准方法

Publications (1)

Publication Number Publication Date
CN115170793A true CN115170793A (zh) 2022-10-11

Family

ID=83475808

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210163267.7A Pending CN115170793A (zh) 2022-02-22 2022-02-22 面向工业产品质检的小样本图像分割自我校准方法

Country Status (1)

Country Link
CN (1) CN115170793A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117435980A (zh) * 2023-12-21 2024-01-23 国网浙江省电力有限公司 基于小样本学习的海岛光伏智能运维状态分析方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117435980A (zh) * 2023-12-21 2024-01-23 国网浙江省电力有限公司 基于小样本学习的海岛光伏智能运维状态分析方法
CN117435980B (zh) * 2023-12-21 2024-04-12 国网浙江省电力有限公司 基于小样本学习的海岛光伏智能运维状态分析方法

Similar Documents

Publication Publication Date Title
Lei et al. Intelligent fault detection of high voltage line based on the Faster R-CNN
Yuan et al. Vision-based defect detection for mobile phone cover glass using deep neural networks
CN114092832B (zh) 一种基于并联混合卷积网络的高分辨率遥感影像分类方法
CN111967313B (zh) 一种深度学习目标检测算法辅助的无人机图像标注方法
CN109284779A (zh) 基于深度全卷积网络的物体检测方法
CN113516664A (zh) 一种基于语义分割动态点的视觉slam方法
CN109145836A (zh) 基于深度学习网络和卡尔曼滤波的船只目标视频检测方法
CN113129311B (zh) 一种标签优化点云实例分割方法
CN110349170B (zh) 一种全连接crf级联fcn和k均值脑肿瘤分割算法
CN114677323A (zh) 一种室内动态场景下基于目标检测的语义视觉slam定位方法
CN114399533B (zh) 一种基于多层次注意力机制的单目标追踪方法
CN113033432A (zh) 一种基于渐进监督的遥感影像居民区提取方法
CN115410059B (zh) 基于对比损失的遥感图像部分监督变化检测方法及设备
CN112651989A (zh) 基于Mask RCNN实例分割的SEM图像分子筛粒径统计方法和系统
CN109919215B (zh) 基于聚类算法改进特征金字塔网络的目标检测方法
CN115170793A (zh) 面向工业产品质检的小样本图像分割自我校准方法
CN114580517A (zh) 一种图像识别模型的确定方法及装置
CN114556364A (zh) 基于相似度运算符排序的神经架构搜索
CN116665039A (zh) 基于两阶段因果干预的小样本目标识别方法
CN107563327B (zh) 一种基于自步反馈的行人重识别方法及系统
CN115953836A (zh) 线下课堂学生课堂行为智能识别和认知状态关联方法
CN114818945A (zh) 融入类别自适应度量学习的小样本图像分类方法及装置
Sarmadian et al. Optimizing the snake model using honey-bee mating algorithm for road extraction from very high-resolution satellite images
CN117274723B (zh) 一种用于输电巡检的目标识别方法、系统、介质及设备
CN116129338B (zh) 一种基于因果干预的决策方法

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