1.一种基于多频特征提取的小样本金属表面缺陷分割方法,其特征在于,包括:接收包含支撑集图像与查询集图像的输入数据,所述支撑集图像包含少量带标注的缺陷样本,所述查询集图像为待分割的未标注图像;
对所述支撑集图像与所述查询集图像,通过参数固定的卷积核组执行多尺度频带分解,并对分解所得的低频分量进行递归分解,以构建支撑集多频带特征集合与查询集多频带特征集合;
基于所述支撑集多频带特征集合,通过支撑集频带原型汇聚操作生成各类别的频带原型表征,并基于所述频带原型表征计算生成动态重要性权重向量;
利用所述动态重要性权重向量,对所述查询集多频带特征集合进行逐频带加权与融合,生成任务感知优化查询集特征;
通过参数可学习的变换核,分别从所述支撑集图像与所述查询集图像中提取支撑集本质低频特征与查询集本质低频特征,并计算所述支撑集本质低频特征与所述查询集本质低频特征之间的频带对齐蒸馏损失;
将所述任务感知优化查询集特征输入分割解码器,生成查询集初始分割预测图,并计算所述查询集初始分割预测图与真实标签之间的分割损失;
基于所述分割损失与所述频带对齐蒸馏损失的加权和构成总损失,通过最小化所述总损失对所述参数可学习的变换核及分割解码器的参数进行联合优化;
在推理阶段,依据优化后的参数对新的支撑集图像与查询集图像执行所述多尺度频带分解、所述动态重要性权重向量计算、所述任务感知优化查询集特征生成及所述分割解码操作,输出最终的金属表面缺陷分割结果。
2.根据权利要求1所述的基于多频特征提取的小样本金属表面缺陷分割方法,其特征在于,对所述支撑集图像与所述查询集图像,通过参数固定的卷积核组执行多尺度频带分解,并对分解所得的低频分量进行递归分解,以构建支撑集多频带特征集合与查询集多频带特征集合,包括:通过所述参数固定的卷积核组对所述支撑集图像进行卷积操作,提取第一初始频带特征,所述第一初始频带特征包含第一低频概貌分量、第一水平细节分量、第一垂直细节分量与第一对角线细节分量;
通过所述参数固定的卷积核组对所述查询集图像进行卷积操作,提取第二初始频带特征,所述第二初始频带特征包含第二低频概貌分量、第二水平细节分量、第二垂直细节分量与第二对角线细节分量;
对所述第一低频概貌分量进行至少一级的迭代分解,每一级迭代分解均通过所述参数固定的卷积核组对输入的低频分量执行卷积操作,以生成该级对应的第一低频概貌子分量、第一水平细节子分量、第一垂直细节子分量与第一对角线细节子分量;
对所述第二低频概貌分量进行至少一级的迭代分解,每一级迭代分解均通过所述参数固定的卷积核组对输入的低频分量执行卷积操作,以生成该级对应的第二低频概貌子分量、第二水平细节子分量、第二垂直细节子分量与第二对角线细节子分量;
将由所述第一初始频带特征与各级对所述第一低频概貌分量迭代分解所产生的所有独立频带特征,组织为第一多频带特征金字塔;
将由所述第二初始频带特征与各级对所述第二低频概貌分量迭代分解所产生的所有独立频带特征,组织为第二多频带特征金字塔;
将所述第一多频带特征金字塔中的每个独立频带特征,输入参数共享的特征金字塔网络进行特征增强处理,输出所述支撑集多频带特征集合;
将所述第二多频带特征金字塔中的每个独立频带特征,输入所述参数共享的特征金字塔网络进行特征增强处理,输出所述查询集多频带特征集合。
3.根据权利要求1所述的基于多频特征提取的小样本金属表面缺陷分割方法,其特征在于,基于所述支撑集多频带特征集合,通过支撑集频带原型汇聚操作生成各类别的频带原型表征,并基于所述频带原型表征计算生成动态重要性权重向量,包括:基于当前任务中的所述支撑集多频带特征集合,在每一特征层次上,分别对属于同一缺陷类别的同一频带的所有特征进行均值计算,生成该缺陷类别的层次-频带原型特征;
汇集所有缺陷类别在所有特征层次及所有频带上生成的所述层次-频带原型特征,构成多层次原型表征集合;
将所述多层次原型表征集合输入自适应权重生成网络,通过所述自适应权重生成网络对所述多层次原型表征集合执行全连接层变换与非线性激活,输出所述动态重要性权重向量;
其中,所述动态重要性权重向量的每个维度对应于特定的特征层次与频带组合。
4.根据权利要求3所述的基于多频特征提取的小样本金属表面缺陷分割方法,其特征在于,将所述多层次原型表征集合输入自适应权重生成网络,通过所述自适应权重生成网络对所述多层次原型表征集合执行全连接层变换与非线性激活,输出所述动态重要性权重向量,包括:将所述多层次原型表征集合进行向量化与拼接,形成全局任务上下文向量;
将所述全局任务上下文向量输入自适应权重生成网络的第一全连接层,通过所述第一全连接层对所述全局任务上下文向量进行线性变换与维度映射;
将经过所述第一全连接层变换后的特征向量输入非线性激活函数,得到激活后的特征向量;
将激活后的特征向量输入自适应权重生成网络的第二全连接层,通过所述第二全连接层将特征维度映射至与总频带数量相等的标量输出;
对所述第二全连接层的标量输出应用归一化指数函数,将标量输出的输出值转换为表征概率分布或相对重要性的所述动态重要性权重向量,其中,所述动态重要性权重向量的每个标量元素对应于所述多层次原型表征集合中特定的特征层次与频带组合。
5.根据权利要求1所述的基于多频特征提取的小样本金属表面缺陷分割方法,其特征在于,利用所述动态重要性权重向量,对所述查询集多频带特征集合进行逐频带加权与融合,生成任务感知优化查询集特征,包括:基于所述动态重要性权重向量所包含的任务判别信息,对所述查询集多频带特征集合中每个独立频带特征进行重要性评分匹配,获取与每个独立频带特征对应的动态权重系数;
利用所述动态权重系数,对所述查询集多频带特征集合中所有对应的独立频带特征执行加权缩放,生成任务加权的查询集频带特征集合;
在每一特征层次内,将所述任务加权的查询集频带特征集合中属于该层次的所有加权频带特征进行通道维度的拼接与整合,生成层次特定的融合特征;
将各特征层次对应的所述层次特定的融合特征,输入任务感知特征融合网络,通过所述任务感知特征融合网络对所述层次特定的融合特征进行跨层次特征聚合与上下文信息整合,输出所述任务感知优化查询集特征。
6.根据权利要求5所述的基于多频特征提取的小样本金属表面缺陷分割方法,其特征在于,将各特征层次对应的所述层次特定的融合特征,输入任务感知特征融合网络,通过所述任务感知特征融合网络对所述层次特定的融合特征进行跨层次特征聚合与上下文信息整合,输出所述任务感知优化查询集特征,包括:将各特征层次对应的所述层次特定的融合特征,按照特征层次从低分辨率到高分辨率的顺序进行排列与输入;
将低分辨率特征层次对应的层次特定的融合特征,通过上采样操作调整至与相邻高分辨率特征层次相同的空间尺寸;
将上采样后的低分辨率特征与对应的高分辨率特征层次特定的融合特征进行逐元素相加操作,实现跨层次特征聚合;
对经过逐元素相加操作聚合后的特征,依次执行卷积操作与非线性激活操作,进行上下文信息整合与特征精炼;
将最高分辨率特征层次对应的、经过所述跨层次特征聚合与上下文信息整合处理后的最终输出特征,作为所述任务感知优化查询集特征。
7.根据权利要求1所述的基于多频特征提取的小样本金属表面缺陷分割方法,其特征在于,通过参数可学习的变换核,分别从所述支撑集图像与所述查询集图像中提取支撑集本质低频特征与查询集本质低频特征,并计算所述支撑集本质低频特征与所述查询集本质低频特征之间的频带对齐蒸馏损失,包括:通过参数可学习的本质频带提取变换核,对所述支撑集图像进行卷积与下采样操作,提取所述支撑集本质低频特征;
通过所述参数可学习的本质频带提取变换核,对所述查询集图像进行卷积与下采样操作,提取所述查询集本质低频特征;
以所述支撑集本质低频特征作为教师特征,以所述查询集本质低频特征作为学生特征,计算所述学生特征与所述教师特征之间的特征表示差异;
基于所述特征表示差异,应用距离度量函数计算得到所述频带对齐蒸馏损失,其中,所述频带对齐蒸馏损失用于在模型训练过程中驱动所述查询集本质低频特征向所述支撑集本质低频特征的表示对齐。
8.根据权利要求7所述的基于多频特征提取的小样本金属表面缺陷分割方法,其特征在于,计算所述学生特征与所述教师特征之间的特征表示差异,包括:对所述教师特征与所述学生特征进行逐元素减法操作,得到特征差异张量;
对所述特征差异张量中的每个元素执行平方操作,将差异值转换为非负量;
对经过平方操作后的特征差异张量中的所有元素进行求和操作,得到总差异标量;
基于所述特征表示差异,应用距离度量函数计算得到所述频带对齐蒸馏损失,包括:将所述总差异标量除以所述教师特征或所述学生特征中的总元素数量,计算得到平均平方误差;
将所述平均平方误差作为所述频带对齐蒸馏损失。
9.根据权利要求1所述的基于多频特征提取的小样本金属表面缺陷分割方法,其特征在于,将所述任务感知优化查询集特征输入分割解码器,生成查询集初始分割预测图,并计算所述查询集初始分割预测图与真实标签之间的分割损失,包括:将所述任务感知优化查询集特征输入分割解码器,基于所述任务感知优化查询集特征所融合的多层次判别性频域信息与任务相关知识,通过所述分割解码器进行特征上采样与空间细节恢复;
通过所述分割解码器的处理,输出与所述查询集图像尺寸相匹配的查询集初始分割预测图,所述查询集初始分割预测图表征每个像素属于缺陷区域的概率;
将所述查询集初始分割预测图与所述查询集图像对应的真实标签进行逐像素比对;
基于所述逐像素比对的结果,计算二元交叉熵分割损失,所述二元交叉熵分割损失用于量化所述查询集初始分割预测图与所述真实标签之间的差异,并用于反向传播以优化所述分割解码器及前述可学习参数。
10.一种基于多频特征提取的小样本金属表面缺陷分割系统,其特征在于,适用于权利要求1至9任意一项所述的方法,所述系统包括:数据接收模块,用于接收包含支撑集图像与查询集图像的输入数据,所述支撑集图像包含少量带标注的缺陷样本,所述查询集图像为待分割的未标注图像;
多频带特征提取模块,用于对所述支撑集图像与所述查询集图像,通过参数固定的卷积核组执行多尺度频带分解,并对分解所得的低频分量进行递归分解,以构建支撑集多频带特征集合与查询集多频带特征集合;
频带原型与权重生成模块,用于基于所述支撑集多频带特征集合,通过支撑集频带原型汇聚操作生成各类别的频带原型表征,并基于所述频带原型表征计算生成动态重要性权重向量;
任务感知特征优化模块,用于利用所述动态重要性权重向量,对所述查询集多频带特征集合进行逐频带加权与融合,生成任务感知优化查询集特征;
本质低频特征提取与对齐模块,用于通过参数可学习的变换核,分别从所述支撑集图像与所述查询集图像中提取支撑集本质低频特征与查询集本质低频特征,并计算所述支撑集本质低频特征与所述查询集本质低频特征之间的频带对齐蒸馏损失;
分割预测与损失计算模块,用于将所述任务感知优化查询集特征输入分割解码器,生成查询集初始分割预测图,并计算所述查询集初始分割预测图与真实标签之间的分割损失;
联合优化模块,用于基于所述分割损失与所述频带对齐蒸馏损失的加权和构成总损失,通过最小化所述总损失对所述参数可学习的变换核及分割解码器的参数进行联合优化;
推理执行模块,用于在推理阶段,依据优化后的参数对新的支撑集图像与查询集图像执行所述多尺度频带分解、所述动态重要性权重向量计算、所述任务感知优化查询集特征生成及所述分割解码操作,输出最终的金属表面缺陷分割结果。