[发明专利]一种基于分散注意力网络的小样本下语义分割方法

说明书

本发明公开了一种基于分散注意力网络的小样本下语义分割方法，属于语义分割技术领域，一种基于分散注意力网络的小样本下语义分割方法，本发明提出分散注意力网络机制，并将其用于小样本语义分割任务，可以激活更多的属于物体前景的像素点，并可以在支持图像和待分割图像间建立更为稳定的关联关系，使支持图像和待分割图像的形状等一致性较差时具有更好的泛化性能，同时将多尺度注意力信息融合用于语义分割任务，从深度网络多层得到的语义信息，经过分散注意力网络机制，利用上采样和残差网络融合，在融合的结果之上进行语义分割，增加前景物体尺度变化时的顽健性，使系统具有更好的性能。

技术领域

本发明涉及语义分割技术领域，更具体地说，涉及一种基于分散注意力网络的小样本下语义分割方法。

背景技术

深度学习曾广泛用于计算机视觉的语义分割中，但由于在实际语义分割应用中，带标注的支持数据少，导致学习得到的深度模型性能受影响。目前，基于原型的方法比较流行，这里原型指表示一类物体的表征，在深度学习框架中就是根据支持图像和它对应的物体的标注信息，经过一个深度神经网络产生的输出。换而言之，原型就是在输入支持图像和物体类别之间的一个关联映射。对于小样本下的语义分割，基本上还是基于原型方法，其中原型的表示有多种形式。采用将支持图像特性进行池化作为原型，将其和待分割的图像特征一起，产生分割映射。采用带屏蔽的均值池化从支持图像抽取原型表示，通过计算原型表示和待分割图像之间的余弦距离来预测分割映射。但这些方法都是原型是固定的，因此缺乏泛化性。除此之外，通过图注意力机制，建立一个支持图像到待分割图像之间像素到像素的连接关系，但在这种方法中存在由于像素竞争中的偏差，导致支持图像中前景物体只有很少一部分用到建立这种映射关系，这在很大程度上限制了信息从支持图像向待分割图像的传递。

计算机视觉中的语义分割，指将图像中感兴趣的物体从背景中分离出来。目前一般的方式是从支持图像(带标注的图像)中抽取一个全局的描述作为原型，用来帮助待分割图像完成语义分割任务。但是这种方法在小样本情况下很难达到很好的效果，在小样本情况下，用一个简单的全局向量表示原型会存在偏差以及缺乏泛化能力。另外一种方法是通过图注意力机制，建立一个支持图像到待分割图像之间像素到像素的连接关系，但是在图注意力机制中，由于像素点选取中的偏差，易于造成支持图像中前景物体只有很少一部分用到建立这种映射关系，从而影响信息从支持图像向待分割图像的传递。

发明内容

1.要解决的技术问题

针对现有技术中存在的问题，本发明的目的在于提供一种基于分散注意力网络的小样本下语义分割方法，本发明提出分散注意力网络机制，并将其用于小样本语义分割任务，可以激活更多的属于物体前景的像素点，并可以在支持图像和待分割图像间建立更为稳定的关联关系，使支持图像和待分割图像的形状等一致性较差时具有更好的泛化性能，同时将多尺度注意力信息融合用于语义分割任务，从深度网络多层得到的语义信息，经过分散注意力网络机制，利用上采样和残差网络融合，在融合的结果之上进行语义分割，增加前景物体尺度变化时的顽健性，使系统具有更好的性能。

2.技术方案

为解决上述问题，本发明采用如下的技术方案。

一种基于分散注意力网络的小样本下语义分割方法，包括：训练数据集、深度神经网络、框架参数Φ、支持图像和支持图像的目标标注mask图像，所述训练数据集包括每个图像都有分割标注的mask图像，所述深度神经网络采用resnet101网络结构和在ImageNet上训练得到的参数，所述框架参数Φ为获取k和v的卷积层参数以及解码器中卷积层参数，其语义分割学习过程包括以下步骤：

S1、对训练数据集所有任务，随机抽取一个图像以及其标注作为待分割图像，其余图像作为支持图像集；

S2、对k和v的卷积层参数以及解码器中卷积层参数，即Φ随机初始化；