[发明专利]一种基于目标分割的小样本训练方法

说明书

本发明公开了一种基于目标分割的小样本训练方法，属于图像语义分割领域。本发明包括：一、进行小样本数据集的目标类的分割，生成初始像素级标签；二、在小样本数据集上迭代训练所述语义分割网络，生成精细的像素级标签；三、将分割结果作用于原始图像上，得到目标图像；四、将所述目标图像融到大量图像中，生成带有所述目标图像的新图像，进而生成大量带有像素级标签的新图像；五、使用大量带有像素级标签的新图像来训练语义分割网络，从而训练一个可信赖的语义分割网络。本发明解决了人工标注像素级语义标签的耗时耗力操作，能够实现目标的精细化分割，为图像分割、目标检测提供良好的标注数据。

技术领域

本发明属于图像语义分割领域，尤其是一种基于目标分割的小样本训练方法。

背景技术

图像语义分割是计算机视觉的一项任务，它分配给每个像素一个语义标签，即图像中每个像素都有一个标签，比如对于二值分割，分割出前景目标和背景两类，其中前景目标的标签是1，背景的标签是0。语义分割广泛应用在各个领域，包括：自动驾驶、影像诊断等领域。

图像语义分割方法主要分为两大类：强监督语义分割和弱监督语义分割。强监督语义分割需要人工标注大量的像素级语义标签，这一过程耗时耗力且标注的标签质量因人而异；弱监督方法不需要像素级的图像标签，而是使用较弱的标签比如bounding boxes、scribbles，有的仅仅使用图像级标签来实现图像语义分割。尽管弱监督语义分割能够减少对像素级标签的需求但是这类算法往往需要大量的训练图片，收集大量的相关类别的图像也是非常耗时的工作。

发明内容

本发明的目的在于能够解决强监督语义分割存在的标注大量像素级标签及弱监督语义分割需要大量训练图片的问题，提供一种基于目标分割的小样本训练方法。

为达到上述目的，本发明采用以下技术方案予以实现：

一种基于目标分割的小样本训练方法，包括以下步骤：

步骤1：采用迁移学习的方法在带有像素级的标签数据集中训练语义分割网络，将分割知识迁移到语义相似类中实现待分割的小样本数据集的目标类的分割，生成初始像素级标签；

步骤2：在小样本数据集上迭代训练所述语义分割网络，将训练好的模型作为语义分割网络来生成精细的像素级标签；

步骤3：将步骤2的分割结果作用于原始图像上，生成只有目标的区域，得到目标图像；

步骤4：将所述目标图像融到大量图像中，生成带有所述目标图像的新图像，进而生成大量带有像素级标签的新图像；

步骤5：使用所述大量带有像素级标签的新图像来训练语义分割网络，从而训练一个可信赖的语义分割网络。

进一步的，步骤1中带有像素级的标签数据集包括PASCAL VOC、COCO及BSD语义分割数据集。

进一步的，步骤1中语义分割网络为DeepLabv3语义分割网络。

进一步的，步骤2中在小样本数据集上迭代训练所述语义分割网络，具体为：

步骤2-1、利用步骤1)训练得到的语义分割网络在小样本数据集上进行分割得到目标图像的粗标签；

步骤2-2、采用指导滤波细化分割结果；

步骤2-3、计算分割区域的面积，将所述分割区域的面积与整个图像的面积相比，得到比值；

若比值大于MAX或者小于MIN，则过滤掉分割结果；

步骤2-4、迭代步骤2-2～步骤2-3，步骤2-2的每次输入是上一次过滤掉的标签和原始图像，迭代到Mean Intersection over Union不再增长为止，将此时对应的模型作为分割模型，来生成精细化的分割结果。