1.一种基于变分原型推理的小样本下语义分割方法,其特征在于:包括以下步骤:输入:已知的待分割图像xq和带标注的支持集图像S,以及通过分割学习过程得到的先验网络参数θ和分割网络参数ψ;
输出:分割图像映射
S1、根据先验概率网络产生支持集图像S对应的均值和方差如下:μprior,σprior←PriorNet(S;θ);
S2、计算先验概率网络映射的空间z隐含表示:(l)
S3、对S2中的z进行多次采样,生成z ;
(l)
S4、将每一个z 和xq送入到分割网络,生成如下 如下:。
2.根据权利要求1所述的一种基于变分原型推理的小样本下语义分割方法,其特征在于:所述分割学习过程中包括三个网络:先验网络、后验网络和分割网络。
3.根据权利要求2所述的一种基于变分原型推理的小样本下语义分割方法,其特征在于:在所述先验网络中,输入为S支持图像和对应的标注图像,输出为z的分布,所述z的分布包括高斯分布μpriorh和σpriorh,其概率模型表示为pθ(z|S),式中:θ为先验网络参数。
4.根据权利要求2所述的一种基于变分原型推理的小样本下语义分割方法,其特征在于:在所述后验网络中,输入为待标注图像xq和其对应的标注yq,输出是z的分布,所述z的分布包括高斯分布μpost和σpost,其概率模型表示为qφ(z|xq,yq),式中:φ为后验网络参数。
5.根据权利要求2所述的一种基于变分原型推理的小样本下语义分割方法,其特征在于:在所述分割网络中输入为待分割图像和从先验网络中生成的z,输出为分割后图像,其概率模型表示为pψ(yq|z,xq),式中:ψ为分割网络参数。
6.根据权利要求2所述的一种基于变分原型推理的小样本下语义分割方法,其特征在于:所述先验网络、后验网络和分割网络三者之间的关系为:其中: 表示先验概率分布和后验概率分布的KL距离,表示对数似然度的期望,采用交叉熵函数计算,i表示训练数据中(l)
的支持‑待分割图像对的序号,z 是从分布pθ(z|S)中第l次采样值,L是采样次数。
7.根据权利要求6所述的一种基于变分原型推理的小样本下语义分割方法,其特征在于:所述KL距离表示从待分割图像推理得到的原型和支持图像的匹配度,其中:KL距离越小,匹配度越高,当KL距离为0时,推理得到的原型和支持图像完成一致。
8.根据权利要求7所述的一种基于变分原型推理的小样本下语义分割方法,其特征在于:所述先验概率分布在高斯分布中表示为 所述后验概率分布在高斯分布中表示为 所述先验概率分布和后验概率分布之间的KL距离表示为:
9.根据权利要求8所述的一种基于变分原型推理的小样本下语义分割方法,其特征在于:所述分割学习过程包括以下步骤:输入:训练数据
输出:先验网络参数θ、后验网络参数φ、分割网络参数ψ;
步骤1:初始化参数θ、φ、ψ;
步骤2:对每一个样本对 执行下面操作:步骤2.1:根据先验概率网络产生样本i对应的均值和方差如下:步骤2.2:计算先验概率网络映射的空间z隐含表示:步骤2.3:通过后验概率网络产生样本i对应的均值和方差如下:步骤2.4:计算先验概率分布和后验概率分布的KL距离,计算公式为得
i i
步骤2.5:根据z和xq一起送入到分割网络,得到预测的输出:i
步骤2.6:根据预测的输出 和实际的输出yq,由交叉熵函数计算得到步骤2.7:计算目标函数:
步骤2.8:按照公式 计算梯度;
步骤2.9:迭代更新参数θ、φ、ψ;
步骤3:直到所有样本结束。