[发明专利]一种基于抗混叠语义重构的小样本语义分割方法

说明书

本发明公开了一种基于抗混叠语义重构的小样本语义分割方法，所述方法包括训练部分和测试部分，其中，所述训练部分包括以下步骤：步骤1，对支撑图片和查询图片进行特征提取；步骤2，对属于不同基类的特征进行语义张成；步骤3，滤除干扰语义，实现对目标类别的分割。本发明公开的基于抗混叠语义重构的小样本语义分割方法，降低了数据标注成本，减少了语义混叠，增强了模型判别力。本发明还公开了一种小样本语义分割系统、计算机可读存储介质和计算机设备。

技术领域

本发明属于计算机视觉技术领域，具体涉及一种小样本语义分割方法，尤其涉及一种利用少量带标注的支撑样本，对无标注的查询样本进行语义分割的基于抗混叠语义重构的小样本语义分割方法。

背景技术

深度学习在视觉、文字、语音、搜索等领域取得了巨大的进展，这很大程度上得益于大量带标注的数据集。但数据集的标注需要耗费大量的资源，尤其对于语义分割任务，其数据集需要像素级别的稠密标注，成本非常高昂。小样本学习可以通过学习少量带标注的数据，实现对新类别的快速识别和泛化，这在很大程度上缓解了标注成本的问题。

小样本语义分割，首先将模型在一定量带标注的数据上进行特征提取训练，使得模型具有一定的特征表达能力；然后，利用支撑集提供的少量图片来引导网络实现对查询集图片的准确分割。目前，主流的小样本语义分割方法是基于度量学习框架，其先将网络在大量的基类图像上进行特征提取训练，在测试阶段，利用支撑集提供的少量支撑图片和支撑标注，提取目标类别语义信息，然后引导网络对新类别进行分割。

然而，现有的小样本语义分割方法在构建目标类别语义表达的过程中，基类之间的语义混叠会传递到新类别中，从而使得提取出来的目标类别语义信息判别力不够，导致类别错分等问题的出现。

因此，有必要提供一种能够减少基类之间的语义混叠、增强模型判别力、减少类别错分的小样本语义分割方法。

发明内容

为了克服上述问题，本发明人进行了锐意研究，设计出一种基于抗混叠语义重构的小样本语义分割方法，该方法对少量带标注的支撑图片和查询图片提取特征，再对属于不同基类的特征进行语义张成，使得不同基类特征之间相互正交，减少了基类与新类之间的语义混叠，然后通过语义过滤，将查询图片中的干扰语义过滤，更好地激活了目标类别，实现了对目标类别的准确分割。所述小样本语义分割方法，降低了数据标注成本，减少了语义混叠，增强了模型判别力，减少了类别错分的情况，从而完成了本发明。

具体来说，本发明的目的在于提供以下方面：

第一方面，提供了一种基于抗混叠语义重构的小样本语义分割方法，所述方法包括训练部分和测试部分，其中，所述训练部分包括以下步骤：

步骤1，对支撑图片和查询图片进行特征提取；

步骤2，对属于不同基类的特征进行语义张成；

步骤3，滤除干扰语义，实现对目标类别的分割。

第二方面，提供了一种小样本语义分割系统，优选用于实施第一方面所述的基于抗混叠语义重构的小样本语义分割方法，所述系统包括特征提取单元、语义张成单元和语义过滤单元；

其中，特征提取单元，用于提取支撑图片和查询图片的特征，

语义张成单元，用于对不同基类的特征进行语义张成，使得不同基类特征之间相互正交；

语义过滤单元，用于滤除干扰语义，实现对目标类别的准确分割。

第三方面，提供了一种计算机可读存储介质，存储有基于抗混叠语义重构的小样本语义分割训练程序，所述程序被处理器执行时，使得处理器执行第一方面所述基于抗混叠语义重构的小样本语义分割方法的步骤。