CN113409327B 一种基于排序与语义一致性约束的实例分割改进方法 （北京工业大学）_第1页
CN113409327B 一种基于排序与语义一致性约束的实例分割改进方法 （北京工业大学）_第2页
CN113409327B 一种基于排序与语义一致性约束的实例分割改进方法 （北京工业大学）_第3页
CN113409327B 一种基于排序与语义一致性约束的实例分割改进方法 （北京工业大学）_第4页
CN113409327B 一种基于排序与语义一致性约束的实例分割改进方法 （北京工业大学）_第5页
已阅读5页，还剩14页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

一种基于排序与语义一致性约束的实例分本发明提出一种基于排序与语义一致性约以应用于目前已有的任意两阶段与单阶段实例2使用的预训练模型已经在imagenet数据集上进行了训练；预Mask-RCNN与Yolact的原始基特征提取网络Backbone:ResneXt101+FPN为Backbone，使用的预训RPN网络:用于生成regionproposals；通过softmax判断anchors属于positive或者特征提取网路Backbone：Resnet101+FPN为Backbone，预训练权重使用标准的标签文件annotation包括[id,image_id,category_id,segmentation,其中P为正样本集合，正负样本由先验框或锚框anchor与GTBb3交叉熵损失：Lce=--1ylogy(3)L＝lcls+lreg+lseg+lsegm+4的子区域和实例的像素级标签定义语义约束，具体形式是排序损失与语义一致性约束损5[0011]本发明针对已有实例分割算法得到的掩膜质量欠佳的问题，提出新的损失函数段与两阶段的实例分割框架上的实施方案分别失与语义一致性损失分别加在回归head与[0021]特征提取网络Backbone:ResneXt101+FPN为Backbone，使用的预训练权重为[0022]RPN网络:用于生成regionproposals。该层通过softmax判断anchors属于positive或者negative，再利用boundingboxregression修正anchors获得精确的ROIs[0027]特征提取网路Backbone：Resnet101+FPN为Backbone，预训练权重文件仍为6[0044]使用标准的标签文件annotation包括[id,image_id,category_id,[0045]在第一阶段，损失函数主要是RPN网络训练所得，包括RPN前景与背景分类损失1的转换为0进行交叉熵计算；RPN目标框回归损失lrpn_reg，以及本发明所提出的排序损失[0047]在其中的分类损失、分割损失通常为交叉熵损失，而回归损失常为Smooth_L1损7Lce=-⃞-1ylogy(3)[0057]单阶段实例分割代表算法Yolact增加损失后的网络结构如图8所示，矩形框内为序损失记为lrank，语义一致性损失记为lsc都是前面所提到的交叉熵损失Lce与Smooth_L1损understanding为目标，主要从复杂的日常场景中截取，图像中的目标通过精确的8标注，整个数据集中个体的数目超过150万个。COCO数据集现在有3种标注类型：objectinstances(目标实例),objectkeypoints(目标关键点),和imagecaptions(看[0071]针对于Mask-RCNN和Yolact的实验借助商汤科技推出的mmdetection2.3版本上进[0075]本发明将模型的性能分数与原作者公布的baseline性能进行比较。表1为在COCO

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论