[发明专利]基于轻量级多尺度特征增强网络的小样本图像分割方法

权利要求书

1.基于轻量级多尺度特征增强网络的小样本图像分割方法，其特征在于：所述方法包括如下步骤：

步骤1，获取用于小样本图像分割的数据集，划分为训练集和测试集，其中为每次训练或测试随机选取样本对，每个样本对包括一个支持集和一个查询集，查询集包含1个查询样本，支持集包含K个带有注释的支持样本；所有样本以及掩膜标签经过统一的数据预处理；

步骤2，使用预训练的骨干网络提取支持样本和查询样本的特征，并使用支持样本的高级特征与查询样本的高级特征进行余弦相似度计算，得到查询样本的先验掩膜

步骤3，利用支持样本标签与中级支持特征，通过掩码平均池化操作提取出支持原型特征向量，并将此一维特征向量膨胀到同先验掩膜同等空间大小，得到

步骤4，构建轻量级多尺度特征增强网络Lite-FENet，以支持原型特征P_s、中级查询特征F_q和先验掩码为输入，输出不同空间分辨率的特征图，并进行拼接和信息融合；

步骤5，利用步骤1构建的训练数据集合，对步骤2～4所构建的Lite-FENet网络进行训练，根据主损失L_main和辅助损失L_aux计算模型总损失L，进行反向传播优化模型参数；训练过程中骨干网络参数不进行更新；

步骤6，加载步骤5训练得到的Lite-FENet网络模型，在步骤1构建的测试数据集合上评估验证模型；

步骤7，完成评估验证后，使用Lite-FENet网络模型对待分割的小样本图像进行处理，输出分割结果。

2.根据权利要求1所述的基于轻量级多尺度特征增强网络的小样本图像分割方法，其特征在于：步骤4中，轻量级多尺度特征增强网络Lite-FENet在第1阶段将原型特征P_s、中级查询特征F_q和先验掩码在通道维度上拼接，使用1×1卷积融合各通道信息后，在通道维度降维，并以该分支作为最高分辨率分支：

其中，ReLU()表示ReLU非线性激活函数，Conv_1×1()表示1×1卷积操作，Concat()表示在通道维度进行拼接；

此后，在每个阶段的开始，通过两倍下采样上一阶段的最低分辨率特征图，产生新的更低分辨率的特征图，以该特征图开始新的分支；

在下一阶段，以上一阶段输出的特征图和新生成的最低分辨率特征图作为输入，并行经过空间交互模块SIM；其中，上标n表示第n阶段，下标{1,2,...,n}表示第n阶段中的分支索引，1表示最高分辨率分支；空间交互模块对相邻尺度以自上到下的方式传递更多信息到低分辨率特征产生该尺度下的细化特征图；在最后阶段，Lite-FENet输出4种不同空间分辨率的特征图。

3.根据权利要求2所述的基于轻量级多尺度特征增强网络的小样本图像分割方法，其特征在于：轻量级多尺度特征增强网络Lite-FENet中，特征图的各分辨率之间的倍数关系为

4.根据权利要求2所述的基于轻量级多尺度特征增强网络的小样本图像分割方法，其特征在于：所述空间交互模块包含两个跳跃连接；在第一个跳跃连接，接收当前阶段相邻的较高分辨率分支输出的细化特征图和输入到当前分支的特征图，先将较高分辨率的特征图的空间大小调整到和较小分辨率特征图的空间大小相同，经过特征拼接和一个1×1卷积，随后和输入的较低分辨率特征图进行元素级相加操作；第二个跳跃连接，由一个步长为1的3×3深度卷积、两个1×1卷积、一个步长为1的3×3深度卷积的顺序构成，并且每次卷积之后都接一个批归一化层，在第一次和第三次卷积的批归一化层之后再使用ReLU激活函数激活，最后输出再与输入的特征图在元素级相加。

5.根据权利要求4所述的基于轻量级多尺度特征增强网络的小样本图像分割方法，其特征在于：空间交互模块SIM在输入前和输出后的通道数和空间分辨率保持相同。