小样本语义分割旨在完成标注稀缺条件下的像素级分类任务。为进一步提升基于原型网络的小样本语义分割对不可见类的泛化能力,针对支持样本与查询图像之间存在外观差异、原型质量不佳的问题,提出了一种基于自相关强化和原型监督的小样本...小样本语义分割旨在完成标注稀缺条件下的像素级分类任务。为进一步提升基于原型网络的小样本语义分割对不可见类的泛化能力,针对支持样本与查询图像之间存在外观差异、原型质量不佳的问题,提出了一种基于自相关强化和原型监督的小样本语义分割方法。首先,设计自相关强化模块,利用查询图像内部像素间的自相关性驱使初始辅助先验向查询数据迁移,生成高层次类原型以得到具有高指点性的强化先验信息;其次,引入多重渐进式监督损失,以原型复原支持掩码的程度为原型质量监督指标,对原型进行自正则化更新,对辅助先验进行自匹配更新,有效提高了原型对支持信息的概括能力,鼓励辅助先验更多地保留与查询特征相关联的细节。所提出的方法在小样本基准数据集PASCAL-5i上进行验证,结果表明,1-shot设定下mIoU(mean intersection over union)值达到64.4%,FB-IoU(foreground-background intersection over union)值达到73.5%,该方法具备一定的先进性和有效性。展开更多
文摘现有的基于深度学习的医学图像分割方法,大多是利用大量的训练数据拟合检测网络,以获得优异的检测性能。这些方法往往需要较大的模型参数,导致检测实时性较差。为此,提出了基于局部上下文引导特征深度融合轻量级医学分割网络(local context guided feature deep fusion lightweight medical segmentation network,LCGML-net)。LCGML-net通过精确的特征选择与特征融合来减少模型拟合所需的参数数量,从而在保证检测精度的同时实现更小的模型参数。在特征提取阶段和映射阶段,分别通过提取和融合目标的多层次多尺度局部上下文特征来丰富特征表达和精准分割。在STARE、CHASEDB1和KITS19等多个基准数据集上开展的实验证明,与其他方法相比,所提出的LCGML-net具有最佳的检测性能和最小的模型参数。
文摘小样本语义分割旨在完成标注稀缺条件下的像素级分类任务。为进一步提升基于原型网络的小样本语义分割对不可见类的泛化能力,针对支持样本与查询图像之间存在外观差异、原型质量不佳的问题,提出了一种基于自相关强化和原型监督的小样本语义分割方法。首先,设计自相关强化模块,利用查询图像内部像素间的自相关性驱使初始辅助先验向查询数据迁移,生成高层次类原型以得到具有高指点性的强化先验信息;其次,引入多重渐进式监督损失,以原型复原支持掩码的程度为原型质量监督指标,对原型进行自正则化更新,对辅助先验进行自匹配更新,有效提高了原型对支持信息的概括能力,鼓励辅助先验更多地保留与查询特征相关联的细节。所提出的方法在小样本基准数据集PASCAL-5i上进行验证,结果表明,1-shot设定下mIoU(mean intersection over union)值达到64.4%,FB-IoU(foreground-background intersection over union)值达到73.5%,该方法具备一定的先进性和有效性。
