(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211473470.0 (22)申请日 2022.11.23 (71)申请人 南京理工大 学 地址 210018 江苏省南京市玄武区孝陵卫 街道孝陵卫 街200号 (72)发明人 陈涛 黄丹 孙泽人 姚亚洲  (74)专利代理 机构 南京创略知识产权代理事务 所(普通合伙) 32358 专利代理师 许滢 (51)Int.Cl. G06V 10/26(2022.01) G06V 10/46(2022.01) G06V 10/764(2022.01) (54)发明名称 一种基于显著性引导的弱监督语义分割方 法 (57)摘要 本发明公开了一种基于显著性引导的弱监 督语义分割方法, 包括给定带有图像级弱标签的 图像, 通过训练一个分类网络, 此时利用从注意 力图导出的类别激活图定位目标对象区域, 生成 初始伪标签。 本发明通过设计了一个类别无关距 离损失, 扩大类别激活图中激活的目标对象区 域, 同时设计了一个类别特定距离损失, 使目标 对象区域比背景区域具有更高的激活度, 由此拉 近类内特征和分离类间特征, 使显著图在分类网 络的训练过程中, 可以扩展类别激活图中激活的 目标对象区域, 提取紧凑完整的目标对象区域; 进一步的, 通过构建一个对象引导的标签精炼子 方法, 充分利用分割预测对初始伪标签再训练, 为弱监督语义分割网络训练提供了一个更高质 量的进阶伪标签 。 权利要求书2页 说明书8页 附图1页 CN 115546490 A 2022.12.30 CN 115546490 A 1.一种基于 显著性引导的弱监 督语义分割方法, 其特 征在于: 包括以下步骤: 步骤 (A) 、 给定带有图像级弱标签的图像, 训练一个分类网络, 通过构建一个用以显示 最小化类内特征方差的类别无关距离损失, 对类内关系进行约束, 扩大类别激活图中的目 标对象区域; 步骤 (B) 、 构建一个类别特定距离损失, 以最大化不同类间的特征差异, 用以将目标对 象区域和背景区域特征区分开, 此时利用从注意力图导出的类别激活图定位目标对象区 域, 生成初始伪标签; 步骤 (C) 、 构建一个对象引导的标签精炼子方法, 充分利用分割预测对初始伪标签再训 练, 进而通过分割模型生成进阶伪标签, 用于弱监 督语义分割网络训练。 2.根据权利要求1所述的一种基于显著性引导的弱监督语义分割方法, 其特征在于: 步 骤 (A) 、 给定带有图像级弱标签的图像, 训练一个分类网络, 通过构建一个用以显示最小化 类内特征方差的类别无关距离损失, 对类内关系进行约束, 扩大类别激活图中的目标对 象 区域, 包括以下步骤: (A1) 、 对于只包含一类对象的简单图像, 其类别无关的显著图可近似为其相应的目标 对象掩码, 故借助类别无关的显著图掩码, 对特征应用掩码平均池化操作, 提取类别原型向 量, 具体的, 当注意力图F  上采样到与掩码M相同的大小后, 按下式计算目标对象区域原型 向量 : 其中,h是显著图的高度, w是显著图的宽度; (A2) 、 目标对象区域原型向量被采样到与注意力图相同的空间大小后, 进行逐元素相 减, 以获得原型特征距离D, 使用掩码平均池化操作为显著对象区域定义一个类别无关距离 损失 , 并按下式计算类别无关距离损失 : 其中,h′  是注意力图的高度, w′是注意力图的宽度, c是注意力图的通道数; (A3) 、 将类别无关距离损失与反向显著图进行 结合, 按下式计算背景区域原型向量 : 其中, 反向显著图 ; (A4) 、 背景原型向量被采样到与注意力图相同的空间大小后, 进行逐元素相减, 在获得 背景特征距离 后, 按下式计算背景区域的类别无关距离损失 :权 利 要 求 书 1/2 页 2 CN 115546490 A 2。 3.根据权利要求1所述的一种基于显著性引导的弱监督语义分割方法, 其特征在于: 步 骤 (B) 、 构建一个类别 特定距离损失, 以最大化不同类间的特征差异, 用以将目标对象区域 和背景区域特征区分开, 此时利用从注意力图导出 的类别激活图定位 目标对象区域, 生成 初始伪标签, 包括以下步骤: (B1) 、 在类别无关距离损失中获得目标对象区域和背景区域的类原型后, 利用图像级 标签 定位与图像中存在的特定 类别相关的通道, 按下式计算类别特定的距离损失 : 其中, 是目标对象区域原型向量, 是背景区域原型向量; (B2) 、 基于显著性引导的类间和类内关系约束, 按下式计算分类网络的总体训练损失 : 其中, 是用于控制目标对象区域的类别无关距离损失的超参数, 是用于控制背 景区域的类别无关距离损失的超参数, 是类别特定距离损失的超参数, 是多标签 软边际损失。 4.根据权利要求1所述的一种基于显著性引导的弱监督语义分割方法, 其特征在于: 步 骤 (C) 、 构建一个对象引导的标签精炼子方法, 充分利用分割预测对初始伪标签再训练, 进 而通过分割模型生成进阶伪标签, 用于弱监 督语义分割网络训练, 包括以下步骤: (C1) 、 借助指示类别存在与否的图像级标签 , 过滤掉分割预测 中不应该存在的目标 对象区域, 如下式所示: 其中 、 是像素位置索引; (C2) 、 重新标记分割预测中与初始伪标签 不一致的背景像素, 如下式所示: ; (C3) 、 进一步挖掘网络预测和初始标签中遗漏的目标对象区域, 获得进阶伪标签用于 弱监督语义分割网络训练, 如下式所示: 。权 利 要 求 书 2/2 页 3 CN 115546490 A 3

PDF文档 专利 一种基于显著性引导的弱监督语义分割方法

文档预览
中文文档 12 页 50 下载 1000 浏览 0 评论 0 收藏 3.0分
温馨提示:本文档共12页,可预览 3 页,如浏览全部内容或当前文档出现乱码,可开通会员下载原始文档
专利 一种基于显著性引导的弱监督语义分割方法 第 1 页 专利 一种基于显著性引导的弱监督语义分割方法 第 2 页 专利 一种基于显著性引导的弱监督语义分割方法 第 3 页
下载文档到电脑,方便使用
本文档由 SC 于 2024-02-18 22:26:51上传分享
站内资源均来自网友分享或网络收集整理,若无意中侵犯到您的权利,敬请联系我们微信(点击查看客服),我们将及时删除相关资源。