电子信息技术

本发明公开了一种基于边界框弱标注的图像中目标分割方法及系统，涉及图像分割技术领域，包括：获取图像数据集，对所述图像数据集进行边界框标注；基于所述边界框标注生成带置信度的像素级伪标注并以此训练目标分割模型；基于交叉验证迭代优化像素级伪标注并以此训练目标分割模型；输出最优模型。本发明与像素级人工标注方法比较，不需要费时费力的像素级标注，仅仅使用简单的边界框标注，节省了人力物力；通过输出图和边界框两个任务的同时学习，全局和局部两个尺度图的融合，提高模型的分割性能；通过交叉验证的伪标注噪声检测方法，检测出伪标注中错误标注，减少对模型训练的影响，提高图像中目标分割精度。

目前，图像中目标分割，广泛应用于图像内容理解或场景分析任务中，具有广阔的应用价值。近年来深度卷积神经网络的出现，极大地提高了目标分割的性能，现有图像中目标分割方法，性能比较好的方法是基于深度学习的全监督方法，但是需要大量人工标注好的像素级数据，存在标注工作成本太大，很难泛化到其他应用场景的局限性。

因此，提出一种基于边界框弱标注的图像中目标分割方法，不需要费时的像素级标注数据，仅仅需要标注图像中所有目标的边界框，基于目标的边界框最终学习出一个目标分割模型进行目标分割是本领域技术人员亟需解决的问题。

与现有技术相比，本发明公开提供了一种基于边界框弱标注的图像中目标分割方法及系统，具有如下有益效果：

本发明所述一种基于边界框弱标注的图像中目标分割方法，与像素级人工标注方法比较，不需要费时费力的像素级标注，仅仅使用简单的边界框标注，更容易推广到任何应用场景，节省了大量的人力物力；通过不同方式产生的像素级伪标注分割结果及其结果一致性，得到带置信度的伪标注，用于指导神经网络学习；通过学习预测目标分割和边界框两个任务的同时学习，预测全局和局部两个尺度分割结果，提高模型的分割性能；通过交叉验证的伪标注噪声检测方法，检测出伪标注中错误标注，减少对模型训练的影响，提高图像中目标分割精度。