买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：湖北大学

摘要：本发明公开一种小样本伪装目标分割方法，构建和训练伪装目标分割网络，伪装目标分割网络包括共享骨干网络、伪装元学习模块和伪装基础学习解码器，将一组支持图像和查询图像输入伪装目标分割网络进行处理，图像通过共享骨干网络先得到对应两类特征图，然后经由伪装元学习模块中的定位聚焦模块处理特征图得到细节特征矩阵，同时伪装元学习模块根据支持图像的信息进行知识引导，得到与查询图像的相似度特征图；使用ASPP模块对得到的所有特征图和特征矩阵进行特征增强，并分类得出预测掩码，伪装基础学习解码器则通过对查询集图像的边缘轮廓进行预测，通过不断迭代细化生成预测掩码，再将伪装元学习模块和伪装基础学习解码器的预测掩码融合得到最终的预测掩码。

主权项：1.一种小样本伪装目标分割方法，其特征在于，包括以下步骤：步骤1、获取支持图像集和查询图像集；采用labelme工具对支持图像和查询图像进行掩码标注；步骤2、构建和训练伪装目标分割网络CAMFS，将步骤1的任意一组支持图像xs和查询图像xq输入伪装目标分割网络CAMFS进行处理，伪装目标分割网络CAMFS包括共享骨干网络、伪装元学习模块CMLN和伪装基础学习解码器CBLD，使用ResNet50作为共享骨干网络；步骤2.1、一组支持图像xs和查询图像xq进入伪装目标分割网络CAMFS后，伪装元学习模块CMLN执行以下操作：步骤A、首先、由共享骨干网络提取支持图像xs和查询图像xq各自对应的语义信息，分别得到支持图像的特征图FS和查询图像的特征图FQ；然后、定位聚焦模块FPM对特征图FS和特征图FQ进行细节特征提取，其中对特征图FS进行逐层操作分别得到支持集细节特征图F2、F3、F4及对应的先验掩码P2、P3和P4；对特征图FQ逐层操作得到查询图像逐层细节特征矩阵并进行逐层通道拼接生成查询图像细节特征矩阵Qq；接着、将细节特征图F3、F4进行通道拼接生成OS，OS通过注意力机制生成HS；将Qq进行卷积得到Oq；所述HS和OS的具体生成方法为：先将中间特征图进行通道维度连接，与支持图像对应的掩码ms实施掩码平均池化，生成注意力向量AS；同时，通过双线性插值扩展到与中间特征图相同的比例大小，记为DS；接着对注意力向量AS进行卷积操作后同中间特征图进行哈达玛积生成HS；这使得模型能够通过掩码信息从特征图中提取较为重要的区域；最后将细节特征图F2、F3进行通道维度连接，同上述相同操作生成OS； Ds＝δAs 其中δ和分别表示双线性插值和逐通道进行维度拼接；步骤B、伪装元学习模块CMLN进行知识引导将提示掩码中蕴含的信息迁移到待分割图像，通过MS模块得到相似度特征图CS；步骤C、连接对应的特征图，使用ASPP模块对连接后的特征矩阵进行特征增强，最后通过分类器得出预测掩码Mm；此处对应的特征图依次包括DS、HS、查询图像第2,3层块特征矩阵先验掩码Mpr、支持图像细节特征矩阵OS、查询图像细节特征矩阵Oq和相似度特征图CS；步骤2.2、伪装基础学习解码器CBLD执行以下操作：步骤a、伪装基础学习解码器CBLD获取查询图像xq的四层特征图FQ，依次通过通道维度连接、卷积融合和Sigmoid函数生成预测边缘掩码fedge，为后续过程提供目标边界的语义信息；步骤b、将所得预测边缘掩码fedge和查询图像的特征输入EFR模块，对目标区域进行特征挖掘得到步骤c、对fedge和进行多尺度融合MFM操作和迭代得到预测掩码MB；步骤3、融合与训练首先使用来自训练集的查询图像及其掩码作为样本去训练伪装基础学习解码器CBLD，得到CBLD阶段的总损失Lbase；然后采用在伪装元学习模块CMLN上的情景训练，获得二元交叉熵损失Lmeta，训练时通过概率因子训练参数γ将掩码Mm和MB融合成最终的综合预测掩模。

全文数据：

权利要求：

百度查询： 湖北大学 一种小样本伪装目标分割方法