CN115546474B 一种基于学习者集成策略的少样本语义分割方法 （西北工业大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN115546474B(45)授权公告日2025.07.01

(21)申请号202210738945.8

(22)申请日2022.06.25

(65)同一申请的已公布的文献号申请公布号CN115546474A

(43)申请公布日2022.12.30

(73)专利权人西北工业大学

地址710072陕西省西安市友谊西路

(72)发明人程垛郎春博屠斌飞韩军伟郭雷

(74)专利代理机构西安凯多思知识产权代理事务所(普通合伙)61290

专利代理师王鲜凯

GO6V10/46(2022.01)

GO6N3/0455(2023.01)

GO6N3/0464(2023.01)

GO6N3/0985(2023.01)

GO6N3/042(2023.01)

(56)对比文件

CN113569865A,2021.10.29

AU2020103901A4,2021.02.11审查员李邵飞

(51)Int.CI.

GO6V10/26(2022.01)

GO6V10/82(2022.01)权利要求书3页说明书11页附图2页

(54)发明名称

一种基于学习者集成策略的少样本语义分

割方法

(57)摘要

CN115546474B本发明涉及一种基于学习者集成策略的少样本语义分割方法，针对以往相关工作存在基类偏置的问题，即易错误激活基类目标区域，本发明提出在传统模型(元学习者)的基础上引入一个额外的辅助分支(基学习者)去显式地识别基类目标，随后自适应地集成两个学习者的粗预测结果以产生精准的分割掩码。考虑到元学习者的敏感性，本发明进一步引入调整因子来估计输入图像间的差异，以促进模型集成推理。总的来说，本发明为改善现有少样本分割模型对基类目标错误激活的问题提供了一个新颖且通用的解决方案，并不局限于某一个基学习者和元学习者，显著提升现有分割网络性能的同时并能够扩展

CN115546474B

CN115546474B权利要求书1/3页

2

1.一种基于学习者集成策略的少样本语义分割方法，其特征在于步骤如下：

步骤1、构建网络：第一个网络为一个特征提取网络，一个输出端连接基学习者网络和另一个元学习者网络，特征提取网络的另一个输出端连接元学习者网络；基学习者网络和元学习者网络输出连接集成模块；

步骤2、网络训练：

步骤a:给定一幅查询图像x?∈R3×H×W,其首先经过与元学习者共用的特征提取网络E

(·)以及额外的卷积块以获得中间特征图f,这个过程为：

(1)

其中，Fconv(·)表示连续的卷积操作，其代表最后一个卷积块；c,h,w分别代表通道、高度以及宽度的维度，并且h×w表示所有提取的特征中最小的空间分辨率；

步骤b:随后，解码器网络D?(·)逐步增大中间特征图的空间尺度以丰富细节相关的

分割线索，并最终产生预测结果，上述过程可以被定义为：

(2)

其中，softmax(·)操作沿着通道维度执行以生成预测概率图pb,N?代表当前数据划分中基类的数目；解码器网络D(·)中包含用于提高感受野的金字塔池化模块、整合各尺度特征的卷积层以及由1×1卷积组成的输出层；

步骤c:给定一个支持集合S={x?,m?}和一幅查询图像x?∈R3×H×W,元学习者的目标是在支持集合S的引导下分割查询图像中与标注掩码m同类别的物体；在利用骨干网络提取支持与查询图像特征后，紧接着一个1×1卷积层被添加以降低通道维度并产生中间特征图，该过程为：

(3)

f=F(E(x°)∈Rkx,(4)

其中，E(·)代表与基类学习者共用的特征提取网络，F1x?(·)是将输入特征维度编码至更低维度的1×1卷积；f和f分别代表经过骨干网络以及1×1卷积后提取的支持图像与查询图像的中间特征图；

步骤d:利用了掩码平均池化方法，根据支持特征图f及其对应掩码m?计算出类别相关

的重要