[发明专利]基于弱监督及无监督部件检测和分割的细粒度分类方法

说明书

本发明公开了一种基于弱监督及无监督部件检测和分割的细粒度分类方法，步骤为：S1、获取数据集训练样本；S2、基于弱监督部件检测方法和无监督部件检测方法，对步骤S1获得的数据集训练样本进行处理，得到部件假设，即部件检测结果；S3、利用步骤S2得到的部件假设，进行部件制导分割，得到更多对细粒度分类有用的部件；S4、根据步骤S3得到的有用的部件，进行细粒度图像分类的操作，得到分类结果。该方法利用部件检测得到的部件假设来指导前景分割以保留更多的对细粒度分类有用的部件，同时抑制背景噪声，从而提升细粒度分类的性能；同时，该方法在实际应用方面的条件限制更少，大大增加了适用的场景和方法的泛用性。

技术领域

本发明涉及医学图像处理技术领域，具体是一种基于弱监督及无监督部件检测和分割的细粒度分类方法。

背景技术

细粒度视觉分析以其崭新的问题定义和广阔的应用前景引起了学界和工业界的关注，是近年来计算机视觉领域比较活跃的方向之一。从2010年左右细粒度识别的研究出现，到现在短短不到十年的时间里，其研究呈现出如下几个趋势：无论是特征表示，还是分割，定位等技术，从一开始的仅仅利用已有的传统图像分类的方法进行改良移植，到现在的专门为细粒度分类设计的特征表达和分类策略，研究者越来越多地从细粒度视觉分析本身的特点入手研究解决特定问题的技术。多种技术相融合的细粒度识别越来越受到重视，比如结合分割、定位和识别的共生的细粒度识别技术，比单纯的提取特征再识别的传统的方法能够更有效地区分表观特征极其相似的细粒度物体。细粒度分类及其在生物和生理学方面的新问题和新的应用不断被挖掘和研究，比如并不局限于获得更好的识别效果，而是研究人类怎么区分细粒度物体，和机器视觉的关系是怎样的。利用深度学习技术的细粒度识别技术逐渐成为主流方法，深度学习以其对于各种环境变化的极佳的鲁棒性，在细粒度分类中不断取得突破。当然，现有的细粒度视觉分析还存在着一些困难和不足。图2显示了一般的细粒度视觉分析方法框架及相关技术，其存在的问题主要有以下几点：

在特征提取方面，已有大量的工作利用多特征融合，中高层语义特征学习和众包学习等多种方法，提取局部的具有判别力的特征。但是仍然存在特征量化误差较大的问题，特征学习方式仍有待改进。因为细粒度分类中每一类物体的数量相对整体类别数量是稀疏的，每一类独有的特征可能在特征学习过程中被稀释，降低特征的判别能力。而现有的细粒度特征提取方式，无论使用底层特征或是特别设计的中高层特征，都没有考虑单类样本在总体类别中的稀疏性。这些特征提取方法大多都是按照特定的规则向特征空间进行投影，其每一次量化过程都会造成量化误差，削弱与其他类别样本在视觉上的联系。如何提取和量化特征以保持样本和各类别之间的联系，增强最终的特征编码的判别能力是需要进一步研究。

在结构化描述方面，图模型和树模型等数据结构模型已经可以表示粗略的细粒度物体结构信息，一些基于这些模型的分类方法也取得了不错的效果。鉴于部件对于细粒度分类问题的重要性，已经有许多方法研究如何发现和检测部件，而对于部件之间的层次化关系并没有系统的研究。目前仅有个别文献的层次化部件匹配(Hierarchical partmatching)明确提出了这一思想并用于分割，相关研究非常之少，还有许多问题可以研究。比如在狗的种类识别中，狗的头部提供的信息往往要比其足部提供更多的视觉信息。那么在提取对应部件的特征之后，可以按照部件之间重要性的差异或者层次上的关系对齐进行池化。也就是增加具有丰富视觉信息的部件对最终分类结果的影响，而削弱其他部件对分类的影响，从而增强特征的判别力。在部件定位(检测)的过程中，同样存在层次化的关系，比如存在一些部件依附于一个主要的部件。如果能够理清它们之间的关系，就可以首先确定高层次的主要部件或者说置信度更高的部件，然后再确定低层次或者置信度低的部件，从而得到更精确的部件定位结果。