本申请涉及语义分割,具体是涉及小样本分割方法、系统、可读存储介质及计算机设备。
背景技术:
1、语义分割作为计算机视觉中的基本任务,被广泛应用与无人驾驶、医学图像分割和遥感图像分割等领域。近年来,随着深度学习的快速发展,基于深度学习的方法在语义分割领域获得了巨大的进步,然而模型达到这样的效果需要大量人工标注的像素级训练样本,这耗费大量的成本。小样本语义分割(fss)的科学意义在于,它可以很好地泛化到具有稀缺标注的训练数据的新类别中,使模型能对少量训练图像中的新类别实现分割。fss有效地解决了数据标注昂贵的问题,尤其是对于密集的预测任务,如语义分割和实例分割。
2、fss的现实意义在于,对于一些特定领域的对象类别(例如珍稀物种、医学图像),其图像样本是难以获取的,即使有大量的训练样本,这些样本的标注也需要耗费大量资源。而fss可以帮助我们更好地理解图像中的目标类别,并使不同种类的东西在图像上被区分开来,fss在不依赖大规模标注样本的条件下进行分割具有很高的应用价值。
技术实现思路
1、本申请的目的是为了克服上述背景技术的不足,提供一种小样本分割方法、系统、可读存储介质及计算机设备。
2、第一方面,提供小样本分割方法,包括以下步骤:
3、获取已标注图像、已标注图像掩码和待标注图像;
4、构建双向交叉注意力的小样本分割模型;
5、将已标注图像、已标注图像掩码和待标注图像输入已构建的双向交叉注意力的小样本分割模型,获取待标注图像的标注结果。
6、根据第一方面,在第一方面的第一种实现方式中,所述将已标注图像、已标注图像掩码和待标注图像输入已构建的双向交叉注意力的小样本分割模型,获取待标注图像的标注结果步骤,具体包括以下步骤:
7、将已标注图像、已标注图像掩码和待标注图像输入已构建的双向交叉注意力的小样本分割模型,抽取特征,获取抽取后的特征;
8、将抽取后的特征进行特征融合,获取融合特征;
9、将获取的融合特征进行特征聚合,获取聚合特征;
10、将获取的聚合特征进行掩码分割,获取待标注图像的分割结果。
11、根据第一方面的第一种实现方式,在第一方面的第二种实现方式中,所述将已标注图像、已标注图像掩码和待标注图像输入已构建的双向交叉注意力的小样本分割模型,抽取特征,获取抽取后的特征步骤,具体包括以下步骤:
12、将已标注图像经构建的双向交叉注意力的小样本分割模型的骨干网络进行处理,获取已标注图像不同尺度大小的特征;
13、将已标注图像掩码通过已构建的双向交叉注意力的小样本分割模型的下采样模块进行处理,获取不同尺度的掩码;
14、将待标注图像经过已构建的双向交叉注意力的小样本分割模型的主干网络进行处理,获取待标注图像特征;
15、根据获取的已标注图像不同尺度大小的特征、不同尺度的掩码以及待标注图像特征,获取待标注图像的粗分割掩码。
16、根据第一方面的第二种实现方式,在第一方面的第三种实现方式中,所述根据获取的已标注图像不同尺度大小的特征、不同尺度的掩码以及待标注图像特征,获取待标注图像的粗分割掩码步骤,具体包括以下步骤:
17、获取的已标注图像不同尺度大小的特征、不同尺度的掩码以及待标注图像特征经过已构建的双向交叉注意力的小样本分割模型的先验掩码生成模块和下采样模块生成不同尺度的待标注图像的粗分割掩码。
18、根据第一方面的第三种实现方式,在第一方面的第四种实现方式中,所述将抽取后的特征进行特征融合,获取融合特征步骤,具体包括以下步骤:
19、将获取的已标注图像不同尺度大小的特征、不同尺度的掩码、待标注图像特征以及待标注图像的粗分割掩码输入已构建的双向交叉注意力的小样本分割模型的多头交叉注意力模块中进行特征融合,获取融合特征。
20、第二方面,本申请提供了一种小样本分割系统,包括获取模块、模型构建模块和图像标注子模块,所述获取模块用于获取已标注图像、已标注图像掩码和待标注图像;所述模型构建模块用于构建双向交叉注意力的小样本分割模型;
21、图像标注子模块,与所述获取模块和所述模型构建模块通信连接,用于将已标注图像、已标注图像掩码和待标注图像输入已构建的双向交叉注意力的小样本分割模型,获取待标注图像的标注结果。
22、根据第二方面,在第二方面的第一种实现方式中,所述图像标注子模块包括:
23、特征抽取子模块,与所述获取模块和所述模型构建模块通信连接,用于将已标注图像、已标注图像掩码和待标注图像输入已构建的双向交叉注意力的小样本分割模型,抽取特征,获取抽取后的特征;
24、特征融合子模块,与所述特征提取子模块通信连接,用于将抽取后的特征进行特征融合,获取融合特征;
25、特征聚合子模块,与所述特征融合子模块通信连接,用于将获取的融合特征进行特征聚合,获取聚合特征;
26、图像标注子模块,与所述特征聚合子模块通信连接,用于将获取的聚合特征进行掩码分割,获取待标注图像的分割结果。
27、根据第二方面,在第二方面的第二种实现方式中,所述特征抽取子模块包括:
28、已标注图像特征获取单元,用于将已标注图像经构建的双向交叉注意力的小样本分割模型的骨干网络进行处理,获取已标注图像不同尺度大小的特征;
29、已标注图像掩码特征获取单元,用于将已标注图像掩码通过已构建的双向交叉注意力的小样本分割模型的下采样模块进行处理,获取不同尺度的掩码;
30、待标注图像特征获取单元,用于将待标注图像经过已构建的双向交叉注意力的小样本分割模型的主干网络进行处理,获取待标注图像特征;
31、粗分割掩码获取单元,与所述已标注图像特征获取单元、所述已标注图像掩码特征获取单元和待标注图像特征获取单元通信连接,用于根据获取的已标注图像不同尺度大小的特征、不同尺度的掩码以及待标注图像特征,获取待标注图像的粗分割掩码。
32、与现有技术相比,本申请的优点如下:
33、本申请提供的小样本分割方法,不依赖大规模标注样本即可实现图像的语义分割,不需要大量人工标注像素级训练样本,实现成本低;
34、本申请提供的小样本分割方法,实现对未标注图像的自动分割和自动标注;
35、本申请提出的双向交叉注意力模块,相比于传统的小样本分割,取得了更好的分割效果;
36、本申请提供的小样本分割系统,使用简单,操作方便,准确率高,可以大大减小标注人员负担,加快标注速度。
1.一种小样本分割方法,其特征在于,包括如下步骤:
2.如权利要求1所述的小样本分割方法,其特征在于,所述将已标注图像、已标注图像掩码和待标注图像输入已构建的双向交叉注意力的小样本分割模型,获取待标注图像的标注结果步骤,具体包括以下步骤:
3.如权利要求2所述的小样本分割方法,其特征在于,所述将已标注图像、已标注图像掩码和待标注图像输入已构建的双向交叉注意力的小样本分割模型,抽取特征,获取抽取后的特征步骤,具体包括以下步骤:
4.如权利要求3所述的小样本分割方法,其特征在于,所述根据获取的已标注图像不同尺度大小的特征、不同尺度的掩码以及待标注图像特征,获取待标注图像的粗分割掩码步骤,具体包括以下步骤:
5.如权利要求2所述的小样本分割方法,其特征在于,所述将抽取后的特征进行特征融合,获取融合特征步骤,具体包括以下步骤:
6.一种小样本分割系统,其特征在于,包括:
7.如权利要求6所述的小样本分割系统,其特征在于,所述图像标注子模块包括:
8.如权利要求7所述的小样本分割系统,其特征在于,所述特征抽取子模块包括:
9.一种可读存储介质,其特征在于,包括:所述可读存储介质存储一个或多个程序,该程序被处理器执行时实现如权利要求1-5任一项所述的小样本分割方法。
10.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,其中: