基于弱监督学习的图像实例分割方法研究

发布时间：2021-12-30 07:48

　　实例分割可对感兴趣目标进行分类、定位、分割,被广泛应用于视频监控、自动驾驶、医学影像等领域。相较于常规实例分割,基于弱监督学习的实例分割可极大地节省标注成本,在近年来得到了迅速的发展。然而,现有的弱监督实例分割方法仍然存在以下问题:1.没有充分关注训练标签的质量,导致无效像素级标签干扰网络训练。2.没有对实例分割网络进行改进,使之更适应于弱监督情形。针对上述问题,本文提出了一种基于互补双通道的弱监督实例分割算法。该方法的网络框架包含两条分支:大目标分支利用有效标签同时进行检测和分割训练,不仅让网络避免了无效标签的干扰,而且还使检测和分割任务彼此促进。小目标支路则首先对那些缺乏有效像素级标签的小目标进行目标检测,然后再利用Grab Cut对检测结果进行分割,从而使小目标免于像素级标签的监督。最后,将大目标分支和小目标分支的预测结果进行融合,以充分利用大小目标支路的互补特性。实验结果显示,该方法能远远超过其他先进方法,并且显著提升了大小目标的实例分割性能。上述方法首次根据生成标签的质量对弱监督实例分割网络进行创新,并取得了较好的效果。然而,其网络结构较为复杂且不能充分利用有限的监督信息。针... 

【文章来源】：重庆邮电大学重庆市

【文章页数】：64 页

【学位级别】：硕士

【部分图文】：

拥有无效标签的实例的尺寸分布

标签

糜谧远?菔弧⑹悠导嗫?和医学影像等领域。得益于海量的数据和完善的标注，当前的实例分割方法[24,25,56]在CityScapes[10]、COCO[51]和PascalVOC[45]等数据集上取得非常优秀的成果。但是，为每个实例进行密集像素级标注是一项非常枯燥、繁琐、耗时的工作。如图3.1所示，相较于复杂的像素级标签，一些弱标签就很容易获取，例如：图像级标签，点标签，线标签，边界框标签等。因此，进行弱监督实例分割研究将有助于减少人工标注的工作量，有效地降低人工成本。(a)标注原图(b)像素标签(c)点标签(d)线标签(e)边界框标签图3.1标签示意图在弱监督实例分割领域，边界框标签被广泛使用，其原因在于两个方面：一是边界框标签能够提供精确的位置信息和类别信息；二是边界框标签可以作为先验信息送入传统图像分割算法以生成像素级标签。因此，本章将展开以边界框标签为监督的实例分割研究。现有的弱监督实例分割方法专注于使用复杂的传统分割方法来生成像素级标签，然后利用生成标签来训练现有的全监督实例分割网络。尽管如此，这些方法生成的像素级标签质量仍然欠佳，直接利用其进行网络训练将削弱实例分割性能。针对现有方法的缺陷，本方法首先对生成标签的质量进行统计分析。由于弱监督实例分割任务缺乏真实的像素级标签，因此本研究只能通过计算各实例生成标签的边界框和真实边界框的IoU来估计生成标签的质量，将IoU大于0.5的像素级标签判定为有效标签；反之则判定为无效标签。根据上述评价规则，本方法对实验数据集生成标签的质量进行统计分析，结果表明：29.86%的生成标签为无效标签，其中属于小目标的无效标签占55.54%，拥有无效标签的小目标占总小目标

【参考文献】：
期刊论文
[1]基于环视相机的无人驾驶汽车实例分割方法[J]. 邓琉元,杨明,王春香,王冰.  华中科技大学学报(自然科学版). 2018(12)

博士论文
[1]交通视频监控中的车辆检测与分割方法研究[D]. 严捷丰.中国科学技术大学 2008

硕士论文
[1]基于深度学习的医学影像检测分割算法研究[D]. 贾斌峰.哈尔滨工业大学 2019



本文编号：3557770