基于自监督学习的葡萄实例去重叠遮挡算法

传统随机遮挡算法在合成葡萄遮挡图像时会导致合成数据失真,易使葡萄遮挡预测失效。因此,提出一种适用于葡萄遮挡预测的遮挡数据合成方法,并进一步提出基于自监督学习的葡萄实例去遮挡预测算法。在数据合成阶段,该算法采用接近式遮挡策略取代随机遮挡方式用于将完整葡萄实例合成为不同的被遮挡实例,并在合成过程前通过一系列预处理机制来控制互为遮挡的葡萄实例尺寸,从而保证合成的遮挡葡萄符合真实情形,不存在失真问题;随后,将遮挡预测过程拆分为掩码重构与语义填充2个部分,并挑选对应的合成数据分别用于训练基于通用Unet的掩码重构网络和语义填充网络。为了克服因实例分割截取尺寸限制而无法预测完整实例的问题,该算法在数据合成阶段充分考虑被遮挡实例与遮挡者实例,并提出对应的重构和填充函数;在遮挡预测阶段,基于开源架构训练的Pointrend实例分割网络以及所提出的掩码重构网络和语义填充网络被依次用来完成对被遮挡葡萄的预测。在遮挡估计数据集上进行实验,结果表明,该算法预测的遮挡葡萄掩码与真实标注间的交并比(IoU)值达到81.16%,高于其他对比方法,表明所提合成算法与重构框架能够用于葡萄遮挡预测任务。