CN116758289A - 一种自补偿学习的小样本图像分割方法 - Google Patents
一种自补偿学习的小样本图像分割方法 Download PDFInfo
- Publication number
- CN116758289A CN116758289A CN202311015219.4A CN202311015219A CN116758289A CN 116758289 A CN116758289 A CN 116758289A CN 202311015219 A CN202311015219 A CN 202311015219A CN 116758289 A CN116758289 A CN 116758289A
- Authority
- CN
- China
- Prior art keywords
- mask
- support
- query
- priori
- compensation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000003709 image segmentation Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims description 27
- 230000004044 response Effects 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000000873 masking effect Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims 1
- 230000011218 segmentation Effects 0.000 description 14
- 238000012360 testing method Methods 0.000 description 6
- 239000003814 drug Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000004821 distillation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06V10/77—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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明属于图像分割技术领域,具体公开一种自补偿学习的小样本图像分割方法,用于提高小样本图像分割的性能。包括:(1)初始化模型;(2)提取支持图像的中层支持特征和高层支持特征,以及查询图像的中层查询特征和高层查询特征;(3)生成支持原型、第一次先验掩码及第一次预测;(4)原型自补偿,利用中层查询特征和第一次预测的前景部分生成查询原型来补偿支持原型,而生成补偿支持原型;(5)掩码自补偿;通过第一次预测的前景部分与高层查询特征得到第二次先验掩码,融合第一次先验掩码和第二次先验掩码,生成补偿先验掩码;(6)将补偿支持原型、补偿先验掩码及中层查询特征进行融合,生成最终预测。
Description
技术领域
本发明属于图像分割技术领域,尤其涉及一种自补偿学习的小样本图像分割方法。
背景技术
得益于神经网络的快速发展以及大规模数据集的使用,语义分割已广泛应用于医学图像分析、自动驾驶等视觉领域。现有的全监督语义分割方法在已训练的类上取得了很好的性能,但是一旦遇到模型未见过或未训练的类,现有的方法就无能为力。
最近,小样本分割被提出来解决上述问题,小样本分割方法沿用了小样本分类中构建支持集和查询集对的范式来进行学习,它专注于使用少数图像作为支持信息来分割未见的类。目前,主要的小样本图像分割法有以下几种。
1、基于像素到像素的注意力匹配策略。
该方法直接在特征图层面上进行像素之间相似度的比较,虽然这种方法能够有效的保留支持信息,但是由于这是一种多对多的信息传递问题,所以这需要较高的计算成本。
2019年Zhang等人提出用图来建模,使得分割数据结构化,并应用注意力图推理将标签信息从支持数据传播到查询数据。图注意力机制通过学习连通图节点之间的注意力权重,建立跨结构化数据的元素对元素的对应关系。同时也提出了一种类似金字塔的结构来捕获不同语义层次上的对应关系,将不同大小的图像区域建模为图节点,并在不同层次上对图进行理解。但是由于它还是一种像素与像素之间的密集匹配,因此,对计算资源的要求过高。
2、基于原型的匹配机制。
该方法使用特定类别的原型计算特征相似性(例如余弦距离)或进行密集比较。基于原型的解决方案在该任务上取得了很大的进展,但仍然存在一个主要问题,即这样的解决方案不能从根本上解决支持集有限与查询集多样导致的外观不一致问题。直接将支持原型与查询特征图进行匹配会导致较差的匹配响应。
2022年Fan等人基于格斯塔原理提出使用查询原型来匹配查询特征,其中查询原型是从高置信度的查询预测中收集的。该策略能够有效地捕获查询对象一致的底层特征,从而更有效地匹配查询特征。除此以外还利用了自适应的自支持背景原型生成模块和自支持损失,以进一步方便自支持匹配过程。但是他们设置了几个不同的阈值来选择可靠的原型表示,由于这个阈值对数据过于敏感,并且需要大量的手工设计,导致应用受限。
综上,亟需提供一种小样本分割方法,解决支持图像与查询图像之间的外观差异及有限的支持信息难以支撑模型的训练等问题。
发明内容
本发明的目的在于提供一种自补偿学习的小样本图像分割方法,有效解决支持图像与查询图像之间的外观差异的问题。
为解决上述技术问题,本发明采用的技术方案是:
一种自补偿学习的小样本图像分割方法,包括以下步骤:
S1、初始化模型:使用ImageNet预训练模型初始化网络参数。
S2、使用初始化模型提取训练集的支持图像的中层支持特征和高层支持特征,以及使用初始化模型提取训练集的查询图像的中层查询特征和高层查询特征。
S3、利用训练集的支持掩码和所述中层支持特征生成支持原型,利用所述高层支持特征、训练集的支持掩码和所述高层查询特征生成第一次先验掩码,将中层查询特征、第一次先验掩码和支持原型串联作为解码器的输入,生成第一次预测。
S4、原型自补偿。
利用步骤S2中提取到的中层查询特征和第一次预测的前景部分生成带有查询信息的查询原型来补偿第一次预测过程中的支持原型,而生成补偿支持原型。
S5、掩码自补偿。
通过所述第一次预测的前景部分与步骤S2过程中提取到的高层查询特征计算高层查询特征中的前景部分与高层查询特征本身的相似度,得到第二次先验掩码,使用加权融合的方式融合所述第一次先验掩码和所述第二次先验掩码,从而生成包含比第一次先验掩码更多查询信息的补偿先验掩码。
S6、将所述补偿支持原型、补偿先验掩码及所述中层查询特征进行融合,并输入解码器中,生成第二次预测作为最终的输出。
进一步地,在步骤S2中,所述中层支持特征与中层查询特征的维度一致,所述高层支持特征与高层查询特征的维度一致。
进一步地,在步骤S3中,所述支持原型的生成方法为:首先,将支持图像的支持掩
码的维度转变为与所述中层支持特征一致的维度,然后使用掩码平均池化下采样的
方法生成支持向量: ,其中,i代表的是像素索引,h和w分别是初始
化模型提取到的中层支持特征的高和宽,是一个指示函数;然后,将支持向量扩展到与
中层查询特征一致的维度,并命名为支持原型。
进一步地,在步骤S3中,通过计算高层查询特征和支持掩码乘积与高层支
持特征之间的相似度得到第一次先验掩码,具体计算方法为:在像素层面上对和
计算余弦相似度cos(xq,xs),取最大的余弦相似度值作为第一次响应值。
。
,其中E表示神经网络,表示哈达玛积。
,其中,,T表示矩
阵的转置。
。
对第一次响应值实施最大-最小的正则化方法,从而将第一次响应值的值缩
放到0-1之间,得到第一次先验掩码:,其中=10-7。
进一步地,所述步骤S4具体包括:
A1、将支持原型、中层查询特征及第一次先验掩码沿着通道维度进行拼接,
将拼接的结果送入解码器D中,从而得到解码器D的第一次预测: ,其中表示沿着通道维度的拼接操作,softmax表示
softmax函数。
A2、从第一次预测中提取前景部分:
,其中表示通过预测生成的掩码部分,是一个非0即1的值。
A3、生成查询向量:,将查询向量扩展到与中层
查询特征一致的维度,并命名为查询原型,然后,使用权重融合的方法利用查询原型
补偿支持原型,生成补偿支持原型其中是权重系数。
进一步地,所述步骤S5具体包括:
B1、使用第一次预测的前景部分去对高层查询特征进行掩码操作,其中代
表哈达玛积:。
B2、将高层查询特征和在像素级别进行交互,得到第二次预测的先验信息,其中,,T表示矩阵的转置。
B3、取先验信息中最大的相似度值作为第二次响应值: 。
B4、对所述第二次响应值实施最大-最小的正则化方法,从而将第二次响应值的值缩放到0-1之间,得到第二次先验掩码:,其中=10-7。
B5、使用加权融合的方式融合所述第一次先验掩码和所述第二次先验掩码
从而产生补偿先验掩码, 其中是权重系数。
进一步地,在步骤S6中,将所述补偿支持原型、补偿先验掩码及所述中层查询
特征进行融合,并输入解码器中,生成第二次预测作为最终的输出, ;在第一次预测和第二次预测中均使用交叉熵损
失作为损失函数来监督模型的训练,,其中表示最终更新模型的总损失,表示交叉熵损失,表示查询掩码真实值,表示权
重系数。
本发明的有益技术效果是:
本发明通过原型自补偿从查询预测中挖掘出查询感知的支持原型,同时,通过生成查询先验掩码(即第二次先验掩码)来补偿支持先验掩码(即第一次先验掩码)的掩码自补偿,能够更好地指导分割,较大幅度的提高了小样本图像分割的性能,达到了当前先进的水平。有效解决支持图像与查询图像之间的外观差异问题以及有限的支持信息难以支撑模型的训练问题。
附图说明
下面将结合附图和具体实施方式对本发明进行详细说明。
图1是本发明的技术流程图。
具体实施方式
小样本图像分割中会将一个给定的数据集根据类别划分为训练集和测试集,这两个集合都包含图片和掩码。两个集合的不同之处在于,训练集中的类与测试集的类不交叉,即训练集中有的类测试集中没有,测试集中的类训练集中没有。两个集合的相同之处在于,训练集和测试集均分为支持图片-支持掩码和查询图片-查询掩码。小样本图像分割的目的就是希望模型学习到训练集中利用支持图片和支持掩码预测出查询图片的掩码的能力,然后将这种能力迁移到测试集中去。本发明研究的正是训练部分。
一种自补偿学习的小样本图像分割方法,参照图1,包括以下步骤:
S1、初始化模型:使用ImageNet预训练模型初始化网络参数。
S2、使用初始化模型提取训练集的支持图像的中层支持特征和高层支持特征,以及使用初始化模型提取训练集的查询图像的中层查询特征和高层查询特征。
所述中层支持特征与中层查询特征的维度一致,所述高层支持特征与高层查询特征的维度一致。
S3、利用训练集的支持掩码和所述中层支持特征生成支持原型,利用所述高层支持特征、训练集的支持掩码和所述高层查询特征生成第一次先验掩码,将中层查询特征、第一次先验掩码和支持原型串联作为解码器的输入,生成第一次预测。
所述支持原型的生成方法为:首先,将支持图像的支持掩码的维度转变为与所
述中层支持特征一致的维度,然后使用掩码平均池化下采样的方法生成支持向量: ,其中,i代表的是像素索引,h和w分别是初始化模型提取到的中层支
持特征的高和宽,是一个指示函数,当指示函数内部的条件为时,代表第i个像素属
于指定类别;然后,将支持向量扩展到与中层查询特征一致的维度,并命名为支持原型。
在步骤S3中,通过计算高层查询特征和支持掩码乘积与高层支持特征之
间的相似度得到第一次先验掩码,具体计算方法为:在像素层面上对和计算余弦相
似度cos(xq,xs),取最大的余弦相似度值作为第一次响应值。
。
,其中E表示神经网络,表示哈达玛积。
,其中,,T表示矩
阵的转置。
。
对第一次响应值实施最大-最小的正则化方法,从而将第一次响应值的值缩
放到0-1之间,得到第一次先验掩码:,其中=10-7。
S4、原型自补偿。利用步骤S2中提取到的中层查询特征和第一次预测的前景部分生成带有查询信息的查询原型来补偿第一次预测过程中的支持原型,而生成补偿支持原型。
所述步骤S4具体包括:
A1、将支持原型、中层查询特征及第一次先验掩码沿着通道维度进行拼接,
将拼接的结果送入解码器D中,从而得到解码器D的第一次预测: ,其中表示沿着通道维度的拼接操作,softmax表示
softmax函数。
A2、从第一次预测中提取前景部分:
,其中表示通过预测生成的掩码部分,是一个非0即1的值。
A3、生成查询向量:,将查询向量扩展到与中层
查询特征一致的维度,并命名为查询原型,然后,使用权重融合的方法利用查询原型
补偿支持原型,生成补偿支持原型其中是权重系数。其中是
权重系数,在本实施例中,设置为0.5。
S5、掩码自补偿。通过所述第一次预测的前景部分与步骤S2过程中提取到的高层查询特征计算高层查询特征中的前景部分与高层查询特征本身的相似度,得到第二次先验掩码,使用加权融合的方式融合所述第一次先验掩码和所述第二次先验掩码,从而生成包含比第一次先验掩码更多查询信息的补偿先验掩码。
所述步骤S5具体包括:
B1、使用第一次预测的前景部分去对高层查询特征进行掩码操作,其中代
表哈达玛积:。
B2、将高层查询特征和在像素级别进行交互,得到第二次预测的先验信息,其中,,T表示矩阵的转置。
B3、取先验信息中最大的相似度值作为第二次响应值: 。
B4、对所述第二次响应值实施最大-最小的正则化方法,从而将第二次响应值的值缩放到0-1之间,得到第二次先验掩码:,其中=10-7。
B5、使用加权融合的方式融合所述第一次先验掩码和所述第二次先验掩码
从而产生补偿先验掩码, 其中是权重系数,在本实施例中设
置为0.5。
S6、将所述补偿支持原型、补偿先验掩码及所述中层查询特征进行融合,并输入解码器中,生成第二次预测作为最终的输出。
在步骤S6中,将所述补偿支持原型、补偿先验掩码及所述中层查询特征进
行融合,并输入解码器中,生成第二次预测作为最终的输出, 。
在第一次预测和第二次预测中均使用交叉熵损失作为损失函数来监督模型
的训练。,其中表示最终更新模型的总损
失,表示交叉熵损失,表示查询掩码真实值,表示权重系数,在本实施例中设置为
0.5。
下面将本发明的方法(ours-SCS)和目前先进的小样本分割方法(PSHNet、SD-FRNet、SCL、SSP和ASNet)在PASCAL - 5i数据集上进行小样本分割任务,并将本发明的原型自补偿和掩码自补偿模块插入到BAM方法中,并按照BAM方法原有的实验方案进行训练。结果如表1所示(以mIou为指标性能)。
从表1中可以看出,本发明在以BAM为基础改进时达到了目前最先进的性能。本发明在以BAM为基础改进时,在1张图设置和5张图设置的时候性能分别提升了0.7%和0.6%。
同时为了验证本发明的原型自补偿和掩码自补偿模块的灵活性,又将本发明的原型自补偿和掩码自补偿模块插入到了PFENet方法中,按照PFENet方法原有的实验方案进行训练,本发明在以PFENet为基础改进时,在1张图设置和5张图设置的时候性能分别提升了0.7%和2.1%,由此可知,本发明能够对现有的方法进行有效的性能提升,同时,本发明还是一种即插即用的方法,灵活性强。
表1各小样本图像分割方法在PASCAL-5i数据集上进行小样本分割任务时的性能。
。
注:表中ours-SCS(PFENet)和ours-SCS(BAM)分别表示基线方法为PFENet和BAM;ours-SCS表示本发明提供的小样本图像分割方法;PSHNet提出了一种通过提取先验语义信息来有效利用现有的标记样本进行小语义分割的方法;SD-FRNet提出了一种用于小样本语义分割的相似度蒸馏引导的特征细化网络;SCL提出了一种用于小样本分割的自引导和交叉引导学习方法;SSP提出了一种利用查询信息来迭代预测方法;ASNet提出了一种综合小样本分割与小样本分类的方法;BAM是一种新颖的添加基类的有监督训练的方法。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (7)
1.一种自补偿学习的小样本图像分割方法,其特征在于,包括以下步骤:
S1、初始化模型:使用ImageNet预训练模型初始化网络参数;
S2、使用初始化模型提取训练集的支持图像的中层支持特征和高层支持特征,以及使用初始化模型提取训练集的查询图像的中层查询特征和高层查询特征;
S3、利用训练集的支持掩码和所述中层支持特征生成支持原型,利用所述高层支持特征、训练集的支持掩码和所述高层查询特征生成第一次先验掩码,将中层查询特征、第一次先验掩码和支持原型串联作为解码器的输入,生成第一次预测;
S4、原型自补偿;
利用步骤S2中提取到的中层查询特征和第一次预测的前景部分生成带有查询信息的查询原型来补偿第一次预测过程中的支持原型,而生成补偿支持原型;
S5、掩码自补偿;
通过所述第一次预测的前景部分与步骤S2过程中提取到的高层查询特征计算高层查询特征中的前景部分与高层查询特征本身的相似度,得到第二次先验掩码,使用加权融合的方式融合所述第一次先验掩码和所述第二次先验掩码,从而生成包含比第一次先验掩码更多查询信息的补偿先验掩码;
S6、将所述补偿支持原型、补偿先验掩码及所述中层查询特征进行融合,并输入解码器中,生成第二次预测作为最终的输出。
2.根据权利要求1所述的自补偿学习的小样本图像分割方法,其特征在于,在步骤S2中,所述中层支持特征与中层查询特征的维度一致,所述高层支持特征与高层查询特征的维度一致。
3.根据权利要求2所述的自补偿学习的小样本图像分割方法,其特征在于,在步骤S3中,所述支持原型的生成方法为:首先,将支持图像的支持掩码的维度转变为与所述中层支持特征/>一致的维度,然后使用掩码平均池化下采样的方法生成支持向量/>:,其中,i代表的是像素索引,h和w分别是初始化模型提取到的中层支持特征的高和宽,/>是一个指示函数;然后,将支持向量/>扩展到与中层查询特征/>一致的维度,并命名为支持原型/>。
4.根据权利要求3所述的自补偿学习的小样本图像分割方法,其特征在于,在步骤S3中,通过计算高层查询特征和支持掩码/>乘积与高层支持特征/>之间的相似度得到第一次先验掩码/>,具体计算方法为:在像素层面上对/>和/>计算余弦相似度cos(xq,xs),取最大的余弦相似度值作为第一次响应值/>:
;
,其中E表示神经网络,/>表示哈达玛积;
,其中/>,/>,T表示矩阵的转置;
;
对第一次响应值实施最大-最小的正则化方法,从而将第一次响应值的值缩放到0-1之间,得到第一次先验掩码/>:/>,其中/>=10-7。
5.根据权利要求4所述的自补偿学习的小样本图像分割方法,其特征在于,所述步骤S4具体包括:
A1、将支持原型、中层查询特征/>及第一次先验掩码/>沿着通道维度进行拼接,将拼接的结果送入解码器D中,从而得到解码器D的第一次预测/>: ,其中/>表示沿着通道维度的拼接操作,softmax表示softmax函数;
A2、从第一次预测中提取前景部分/>:/>,其中表示通过预测生成的掩码部分,/>是一个非0即1的值;
A3、生成查询向量:/>,将查询向量/>扩展到与中层查询特征/>一致的维度,并命名为查询原型/>,然后,使用权重融合的方法利用查询原型/>补偿支持原型/>,生成补偿支持原型/>其中/>是权重系数。
6.根据权利要求5所述的自补偿学习的小样本图像分割方法,其特征在于,所述步骤S5具体包括:
B1、使用第一次预测的前景部分去对高层查询特征/>进行掩码操作,其中/>代表哈达玛积:/>;
B2、将高层查询特征和/>在像素级别进行交互,得到第二次预测的先验信息,其中/>,/>,T表示矩阵的转置;
B3、取先验信息中最大的相似度值作为第二次响应值:
;
B4、对所述第二次响应值实施最大-最小的正则化方法,从而将第二次响应值/>的值缩放到0-1之间,得到第二次先验掩码/>:/>,其中/>=10-7;
B5、使用加权融合的方式融合所述第一次先验掩码和所述第二次先验掩码/>从而产生补偿先验掩码/>, />其中/>是权重系数。
7.根据权利要求6所述的自补偿学习的小样本图像分割方法,其特征在于,在步骤S6中,将所述补偿支持原型、补偿先验掩码/>及所述中层查询特征/>进行融合,并输入解码器中,生成第二次预测/>作为最终的输出, />; 在第一次预测/>和第二次预测/>中均使用交叉熵损失作为损失函数来监督模型的训练,,其中/>表示最终更新模型的总损失,/>表示交叉熵损失,/>表示查询掩码真实值,/>表示权重系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311015219.4A CN116758289B (zh) | 2023-08-14 | 2023-08-14 | 一种自补偿学习的小样本图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311015219.4A CN116758289B (zh) | 2023-08-14 | 2023-08-14 | 一种自补偿学习的小样本图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116758289A true CN116758289A (zh) | 2023-09-15 |
CN116758289B CN116758289B (zh) | 2023-10-24 |
Family
ID=87959339
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311015219.4A Active CN116758289B (zh) | 2023-08-14 | 2023-08-14 | 一种自补偿学习的小样本图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116758289B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118096800A (zh) * | 2024-04-29 | 2024-05-28 | 合肥市正茂科技有限公司 | 一种小样本语义分割模型的训练方法、装置、设备及介质 |
CN118096783A (zh) * | 2024-04-18 | 2024-05-28 | 江西师范大学 | 一种基于交叉参考的小样本图像分割方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101504759A (zh) * | 2009-03-17 | 2009-08-12 | 陕西科技大学 | 基于dct算法数字图像水印提取方法 |
CN110276274A (zh) * | 2019-05-31 | 2019-09-24 | 东南大学 | 一种多任务的深度特征空间姿态人脸识别方法 |
CN113706487A (zh) * | 2021-08-17 | 2021-11-26 | 西安电子科技大学 | 基于自监督特征小样本学习的多器官分割方法 |
US20210397966A1 (en) * | 2020-06-18 | 2021-12-23 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for image segmentation |
US20210397876A1 (en) * | 2020-06-19 | 2021-12-23 | Adobe Inc. | Similarity propagation for one-shot and few-shot image segmentation |
EP4014201A1 (en) * | 2019-08-14 | 2022-06-22 | F. Hoffmann-La Roche AG | Three dimensional object segmentation of medical images localized with object detection |
US20220262006A1 (en) * | 2021-02-15 | 2022-08-18 | SK Hynix Inc. | Device for detecting an edge using segmentation information and method thereof |
CN115346047A (zh) * | 2022-08-03 | 2022-11-15 | 中国矿业大学 | 一种基于元学习框架的弱监督小样本语义分割方法 |
CN116229074A (zh) * | 2023-03-12 | 2023-06-06 | 北京工业大学 | 一种递进式边界区域优化的医学图像小样本分割方法 |
CN116258937A (zh) * | 2022-12-08 | 2023-06-13 | 鹏城实验室 | 基于注意力机制的小样本分割方法、装置、终端及介质 |
CN116563204A (zh) * | 2023-03-08 | 2023-08-08 | 江苏科技大学 | 一种融合多尺度残差注意力的医学图像分割方法 |
-
2023
- 2023-08-14 CN CN202311015219.4A patent/CN116758289B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101504759A (zh) * | 2009-03-17 | 2009-08-12 | 陕西科技大学 | 基于dct算法数字图像水印提取方法 |
CN110276274A (zh) * | 2019-05-31 | 2019-09-24 | 东南大学 | 一种多任务的深度特征空间姿态人脸识别方法 |
EP4014201A1 (en) * | 2019-08-14 | 2022-06-22 | F. Hoffmann-La Roche AG | Three dimensional object segmentation of medical images localized with object detection |
US20210397966A1 (en) * | 2020-06-18 | 2021-12-23 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for image segmentation |
US20210397876A1 (en) * | 2020-06-19 | 2021-12-23 | Adobe Inc. | Similarity propagation for one-shot and few-shot image segmentation |
US20220262006A1 (en) * | 2021-02-15 | 2022-08-18 | SK Hynix Inc. | Device for detecting an edge using segmentation information and method thereof |
CN113706487A (zh) * | 2021-08-17 | 2021-11-26 | 西安电子科技大学 | 基于自监督特征小样本学习的多器官分割方法 |
CN115346047A (zh) * | 2022-08-03 | 2022-11-15 | 中国矿业大学 | 一种基于元学习框架的弱监督小样本语义分割方法 |
CN116258937A (zh) * | 2022-12-08 | 2023-06-13 | 鹏城实验室 | 基于注意力机制的小样本分割方法、装置、终端及介质 |
CN116563204A (zh) * | 2023-03-08 | 2023-08-08 | 江苏科技大学 | 一种融合多尺度残差注意力的医学图像分割方法 |
CN116229074A (zh) * | 2023-03-12 | 2023-06-06 | 北京工业大学 | 一种递进式边界区域优化的医学图像小样本分割方法 |
Non-Patent Citations (3)
Title |
---|
SHUCHANG LYU 等: "A Similarity Distillation Guided Feature Refinement Network for Few-Shot Semantic Segmentation", 《2022 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING (ICIP)》 * |
廖旋;缪君;储;张桂梅;: "融合分割先验的多图像目标语义分割", 中国图象图形学报, no. 06 * |
郭艳蓉;蒋建国;郝世杰;詹曙;李鸿;: "统计相似度特征的医学图像分割", 中国图象图形学报, no. 02 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118096783A (zh) * | 2024-04-18 | 2024-05-28 | 江西师范大学 | 一种基于交叉参考的小样本图像分割方法及系统 |
CN118096800A (zh) * | 2024-04-29 | 2024-05-28 | 合肥市正茂科技有限公司 | 一种小样本语义分割模型的训练方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116758289B (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116758289B (zh) | 一种自补偿学习的小样本图像分割方法 | |
CN109886121B (zh) | 一种遮挡鲁棒的人脸关键点定位方法 | |
CN110956185B (zh) | 一种图像显著目标的检测方法 | |
CN111291212B (zh) | 基于图卷积神经网络的零样本草图图像检索方法和系统 | |
Hu et al. | Conditional directed graph convolution for 3d human pose estimation | |
CN111639544B (zh) | 基于多分支跨连接卷积神经网络的表情识别方法 | |
Liu et al. | SAANet: Siamese action-units attention network for improving dynamic facial expression recognition | |
Bampis et al. | Graph-driven diffusion and random walk schemes for image segmentation | |
WO2020228525A1 (zh) | 地点识别及其模型训练的方法和装置以及电子设备 | |
CN107066583A (zh) | 一种基于紧凑双线性融合的图文跨模态情感分类方法 | |
CN112949622B (zh) | 融合文本与图像的双模态性格分类方法及装置 | |
CN112837215B (zh) | 一种基于生成对抗网络的图像形状变换方法 | |
CN108985298B (zh) | 一种基于语义一致性的人体衣物分割方法 | |
CN112232355A (zh) | 图像分割网络处理、图像分割方法、装置和计算机设备 | |
CN111723667A (zh) | 基于人体关节点坐标的智慧灯杆人群行为识别方法和装置 | |
CN114220154A (zh) | 一种基于深度学习的微表情特征提取与识别方法 | |
CN110457523A (zh) | 封面图片的选取方法、模型的训练方法、装置及介质 | |
Liu et al. | Learning explicit shape and motion evolution maps for skeleton-based human action recognition | |
CN113706544A (zh) | 一种基于完备注意力卷积神经网络的医学图像分割方法 | |
CN112418032A (zh) | 一种人体行为识别方法、装置、电子设备及存储介质 | |
Liao et al. | FERGCN: facial expression recognition based on graph convolution network | |
AU2021104479A4 (en) | Text recognition method and system based on decoupled attention mechanism | |
Zhang | [Retracted] An Intelligent and Fast Dance Action Recognition Model Using Two‐Dimensional Convolution Network Method | |
Gang et al. | Skeleton-based action recognition with low-level features of adaptive graph convolutional networks | |
CN114266750A (zh) | 一种基于注意力机制神经网络的日常物体材质识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |