[发明专利]基于多路割的弱监督实例分割方法

摘要

一种基于多路割的弱监督实例分割方法。该方法仅使用图像级别的标注数据来训练用于实例分割的卷积神经网络。具体来说，给定一个只带有图像级别标注的训练集，用拟物性采样算法对每张图像计算出若干个类别无关的物体推荐区域；然后以图像和对应的物体推荐区域作为输入，以标注的图像类别作为学习目标，通过多实例学习框架计算出每个物体推荐区域的类别概率分布和语义特征。将整个数据集中的物体推荐区域作为结点建立一个大规模的图模型，将所述图模型看作一个多路割问题，分割结果对每个物体推荐区域赋予一个类别标记作为结果；或作为训练集来训练任何的用于实例分割的卷积神经网络。实验表明，该方法明显优于已有的弱监督实例分割方法。

主权项

1.一种基于多路割的弱监督实例分割方法，其特征在于，该方法包含如下步骤：a.给定一个包含训练集和测试集的数据集，训练集中每张图像都有图像级别的标签，用一般的拟物性采样的算法为数据集中的每张图像生成可能包含有目标类别物体的物体推荐区域；b.设计了一个基于物体推荐区域的多实例学习框架，所述多实例学习框架以图像和对应的物体推荐区域作为输入、以图像的标记类别作为学习目标，设计多实例学习损失函数为每个物体推荐区域学习计算出类别概率分布和语义信息；c.用步骤b中计算出的物体推荐区域的类别概率分布和语义信息，将整个数据集中的物体推荐区域作为结点建立一个大规模的图模型，将所述图模型看作一个大规模的多路割问题，分割结果对每个物体推荐区域赋予一个类别标记；d.将步骤c中标记为背景的物体推荐区域删除，剩下的物体推荐区域和对应的类别标记作为分割结果；也可以用剩下的物体推荐区域作为训练数据来训练任何的用于实例分割的卷积神经网络，训练之后的网络用于对图像进行实例分割。