The invention discloses a deep learning and partitioning method based on super-pixel automatic annotation, which includes: extracting super-pixels from input video; recognizing foreground super-pixels and background super-pixels from super-pixels; clustering and model selection of foreground super-pixels to obtain clustering results and model selection results; and automatically annotating super-pixels according to clustering results and model selection results. To get annotated super-pixel data sets, supervised in-depth learning based on labeled super-pixel data sets, and to construct and solve Markov random fields to complete video segmentation. The method realizes automatic annotation of super-pixel data by clustering and model selection algorithm, eliminates the limitation of supervised deep learning caused by the huge workload of manual annotation, thus enabling deep learning to learn a more accurate segmentation model using a larger video database.
【技术实现步骤摘要】
基于超像素自动标注的深度学习共分割方法
本专利技术涉及计算机视觉
,特别涉及一种基于超像素自动标注的深度学习共分割方法。
技术介绍
在视频分割中,前景物体经常被背景、光照、运动、遮挡等因素的变化所干扰。传统的基于单个视频自下而上的方法难以很好地适应上述众多因素引起的变化。对此,提出了引入包含一致前景的多个视频数据的方案,以更加充分、稳定地描述运动前景的共同性原则。对于从大规模数据中学习分割规则而言,目前效果较好的是有监督的深度学习,其要求在进行深度学习之前,对全部训练数据都完成标注。然而,上述引入多个视频数据会导致人工标注的工作量过于繁重,耗时耗力且容易出错,极大地限制了深度学习的应用。
技术实现思路
针对以上不足,本专利技术的主要目的在于提供一种基于超像素自动标注的深度学习共分割方法,其能够通过聚类和模型选择算法实现对超像素数据的自动标注。一方面,本专利技术提供了一种基于超像素自动标注的深度学习共分割方法,包括:从输入视频中提取超像素,所述输入视频为包含一致前景的两段或两段以上视频;从所述超像素中识别前景超像素和背景超像素;对所述前景超像素进行聚类和模型选择,以得到聚类结果和模型选择结果;根据所述聚类结果和模型选择结果对所述超像素进行自动标注,以得到带标注的超像素数据集;基于所述带标记的超像素数据集,进行有监督的深度学习;以及构建并求解马尔科夫随机场,以完成视频共分割。进一步地,从输入视频中提取超像素的步骤可以包括:对每一视频的每一帧进行运动感知超像素分割,以提取超像素。进一步地,从超像素中识别前景超像素和背景超像素的步骤可以包括:为所述超像素中的每一 ...
【技术保护点】
1.一种基于超像素自动标注的深度学习共分割方法,包括:从输入视频中提取超像素,所述输入视频为包含一致前景的两段或两段以上视频;从所述超像素中识别前景超像素和背景超像素;对所述前景超像素进行聚类和模型选择,以得到聚类结果和模型选择结果;根据所述聚类结果和模型选择结果对所述超像素进行自动标注,以得到带标注的超像素数据集;基于所述带标记的超像素数据集,进行有监督的深度学习;以及构建并求解马尔科夫随机场,以完成视频共分割。
【技术特征摘要】
1.一种基于超像素自动标注的深度学习共分割方法,包括:从输入视频中提取超像素,所述输入视频为包含一致前景的两段或两段以上视频;从所述超像素中识别前景超像素和背景超像素;对所述前景超像素进行聚类和模型选择,以得到聚类结果和模型选择结果;根据所述聚类结果和模型选择结果对所述超像素进行自动标注,以得到带标注的超像素数据集;基于所述带标记的超像素数据集,进行有监督的深度学习;以及构建并求解马尔科夫随机场,以完成视频共分割。2.根据权利要求1所述的基于超像素自动标注的深度学习共分割方法,其特征在于,从输入视频中提取超像素的步骤包括:对每一视频的每一帧进行运动感知超像素分割,以提取超像素。3.根据权利要求1所述的基于超像素自动标注的深度学习共分割方法,其特征在于,从所述超像素中识别前景超像素和背景超像素的步骤包括:为所述超像素中的每一个超像素计算运动显著性值和相对于运动边界的内外性值,判断所述每一个超像素的显著性值和相对于运动边界的内外性值是否分别大于显著性阈值和内外性阈值;当所述显著性值和所述内外性值均大于显著性阈值和内外性阈值时,判定所述超像素为前景超像素;否则,判定所述超像素为背景超像素。4.根据权利要求1所述的基于超像素自动标注的深度学习共分割方法,其特征在于,所述聚类和/或模型选择由算法自动实现。5.根据权利要求1所述的基于超像素自动标注的深度学习共分割方法,其特征在于,所述聚类直接和/或间接地利用超像素的像素相似关系。6.根据权利要求1所述的基于超像素自动标注的深度学习共分割方法,其特征在于...
【专利技术属性】
技术研发人员:高巍,郭家明,李著文,
申请(专利权)人:新加坡国立大学,苏州工业园区新国大研究院,
类型:发明
国别省市:新加坡,SG
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。