[发明专利]基于边缘知识转化的图像前景分割算法

说明书

基于边缘知识转化的图像前景分割算法，包括下列步骤：1)结合边缘自监督机制的图像分割框架构建；2)内边缘与外边缘判别器构建；3)伪分割三元组数据生成；4)基于目标类别极少量标注样本引导的双边缘对抗前景分割。通过上述步骤建立的基于边缘知识转化的图像前景分割算法，在极少量目标类别标注分割样本的引导下，内外边缘判别网络通过分割结果对抗的方式，将大量公开的非目标类别标注数据的边缘知识转化到目标类别图像的前景分割网络中，实现目标类别图像的前景物体分割。

技术领域

本发明属于图像分割领域，针对基于深度学习的图像前景分割方法存在需要大量标注样本的不足以及已有基于深度学习的分割网络需要具备类别的识别能力存在网络能力占用的问题，提出了一种基于边缘知识转化的图像前景分割算法，模仿人眼进行图像分割不需要知道前景物体类别信息仅通过物体边缘便能够分割的能力，实现在大量非目标类别开源图像分割数据集边缘知识的基础上，利用极少量目标类别标注图像的监督约束，结合边缘相关的自监督模块，完成了极少量标注样本引导的图片前景分割。

背景技术

随着计算机技术的不断发展，深度学习技术在计算机的各个领域中均取得了突破性的进展。然而，现有的深度学习技术的成功应用，大部分均依赖于大量的标注数据。为了克服需要大量标注数据来训练深度网络的不足，已有诸多研究者开展了相关的研究工作，诸如：无监督学习、小样本学习、迁移学习、半监督学习等。在图像分割领域中，上述针对需要大量标注样本的方法存在各自的不足。无监督的图像分割方法存在不可控的问题，无法控制需要分割那个部分或者类别，且无监督的图像分割方法需要根据特定分割场景而设计无监督的分割方法；基于小样本学习的图像分割方法以少于五个新类别标注样本以及其它类别的标注数据实现少样本引导的图像分割为目标，然而基于小样本学习的图像分割方法仍然无法取得满意的分割效果，与全监督的图像分割方法仍然存在较大的差距；基于迁移学习的图像分割方法需要一个与目标类别相近的图像数据集，在大量相近类别数据样本预训练分割网络的基础上，通过少量目标样本实现新图像类别的分割，然而此类方法需要相近类别图像样本与目标类别非常相似，且目标样本较少时迁移效果较差；半监督的图像分割方法可以基于部分标注样本结合部分无标注样本实现图像分割，然而半监督的图像分割方法需要的标注样本量仍然是较大的，无法大幅减轻标注成本。

从图像分割场景方面来看，已有的图像分割方法可以分为：前景分割、目标分割、语义分割、实例分割、全景分割等方法。前景分割方法主要实现图像中前景物体的识别以及有效分割；目标分割主要用于将图像中目标对应的部分分割出来；语义分割利用类别语义的标注约束，通过对图像中不同类别物体像素层面上分类来实现图像分割；实例分割主要实现图像中每个物体的分割，需要做到像素层面上的分类的同时需要定位出不同实例，即使它们是同一类别；全景分割结合了语义分割和实例分割，通过将图片中每个像素进行分类，实现图片全部物体的分割。

在进行图像分割任务中，人类视觉系统分割物体无需知道物体的类别，仅仅通过物体的边缘信息可以实现物体的精准分割。然而，已有的相关图像分割方法均需要对应物体类别的标注信息来约束图像中物体的分割，这些方法在进行分割时需要知道物体或类别信息，占用了网络进行分割的能力。图像分割任务中物体的边缘信息是分割方法的主要依据，目前也存在一些基于图像中物体边缘的分割方法，然而此类方法仅仅将图像的边缘信息作为图像分割任务的辅助。例如在图像的分割网络中搭建新的分支用于预测物体的轮廓信息，通过预测轮廓信息可以有效的强化图像分割网络的边缘分割能力。然而，此类方法中分割网络的分支仍然存在网络分割能力被占用的问题。本发明提出的基于边缘知识转化的图像前景分割算法，可以有效地解决这一难题。