[发明专利]一种基于缺陷协同训练和特征融合的水下图像分割算法

权利要求书

1.一种基于缺陷协同训练和特征融合的水下图像分割算法，其特征在于，包括以下步骤：

S1、提出的模型和学习：

S1.1、将粗略的分割结果通过带有矩阵融合的误差网络来完善，直到获得一个满意的分割结果；

S1.2、模型训练：

S1.2.1、取x∈X，分割网络预测同等大小为H×W×O的前景S_F(x)和背景S_B(x),其中O的值由具体任务定义；

S1.2.2、x和S(x)连接，输入到缺陷检测网络E中，输出同等大小为H×W×1的前景缺陷概率图E_F(x，S_F(x)和背景缺陷概率图E_B(x，S_B(x)；

S1.2.3、根据GAN的思想分两步迭代训练模型；

S1.3、固定缺陷检测网络F，训练主分割器，对于有标签的数据，预测的前景S_F(x)和背景S_B(x)被Y_F和Y_B监督为：

其中，R(-，-)是一个特定任务的约束，(h，w，o)是一个像素索引；

S1.4、通过关注缺陷区域，融合整个图像和错误分割信息，引导主分割器完善结果，提高分割性能；

S2、损失函数：

S2.1、缺陷损失函数L_E：

通过平均平方差(MES)对缺陷检测网络E进行训练，其公式为：

式中，|S_F(x)-Y_F|是缺陷检测网络E的金标准；

S2.2、缺陷修正损失函数L_X：

通过缺陷修正损失函数L_X修正缺陷检测网络E的不靠谱预测，强迫缺陷概率图中的值变为0，其具体计算公式为：

通过二进制掩码M(x)对模型中具有不可预测的像素进行启用缺陷修正损失函数L_X来修正；

S2.3、总损失函数L_TOTAL：

其公式为：

式中：K为背景F或背景B，τ_X和τ_E是平衡总损失函数L_TOTAL的超参数。

2.根据权利要求1所述的一种基于缺陷协同训练和特征融合的水下图像分割算法，其特征在于：所述S1.1中提到的错略的分割结果由U-net分割网络获得，采用U-net作为主要的分割器，用S表示分割网络，E表示缺陷检测网络，给定一个带有金标准Y的数据集X，根据金标准计算出前景GroundTruth Y_F和背景GroundTruth Y_B。

3.根据权利要求1所述的一种基于缺陷协同训练和特征融合的水下图像分割算法，其特征在于：所述S1.2.2中提到的缺陷检测网络E的目标是学习缺陷概率图E_F(x,S_F(x)(E_B(x,S_B(x))，即S_F(x)(S_B(x)与前景GroundTruth Y_F(背景GroundTruth Y_B)之间的差距。

4.根据权利要求1所述的一种基于缺陷协同训练和特征融合的水下图像分割算法，其特征在于：所述S1.3-S1.4在进行错误预测时，从缺陷网络的编码器中提取特征作为引导特征(G_F)(G_B)，而不是直接使用误差区域预测E_F(x,S_F(x)(E_B(x,S_B(x))，在主分割网络S的编码器的每一层将引导特征(G_F)(G_B)分别与主分割器特征S_F(x)(S_B(x))融合，具体来说，包括有以下步骤：

A1、通过元素相乘的方式提取G_F和S_F(x)(G_B和S_B(x))共同部分M_s；

A2、通过元素相加的方式将A1中得到的共同部分M_s与原始主分割器特征E_F(x,S_F(x)(E_B(x,S_B(x))相结合；

A3、保持错误分割的细节，将主分割特征E_F(x,S_F(x)(E_B(x,S_B(x))进一步与缺陷网络的引导特征(G_F)(G_B)连接，其公式如下：

E_F(x,S_F(x)＝concat(E_F(x,S_F(x)+M_S，G_F)

E_B(x,S_B(x)＝concat(E_B(x,S_B(x)+M_S,G_B)

式中，M_S()模块是由卷积块，批量规范和激活函数组合而成。