一种高密度代表性原型指引的半监督语义分割方法技术

本发明专利技术公开的一种高密度代表性原型指引的半监督语义分割方法，包括获取数据集，将模型进行随机参数初始化，通过有标签分割数据集对模型进行热身训练；将无标注数据分别进行强弱增广变换，在弱增广数据上获得伪标签，利用伪标签进行模型强弱增广一致性训练；利用归一化流模型通过最大似然计算，将数据特征映射到目标分布；提取出每个高斯模型的均值特征，利用归一化流模型进行逆向变换，将均值特征投影回原始特征分布，作为代表性原型特征；利用对比学习强化特征聚类，得到高密度原型；提取测试图像特征，获取分割解码器预测，同时图像特征与高密度原型进行比较得到第二组预测；融合两组预测得到最终分割结果。

【技术实现步骤摘要】

本专利技术涉及计算机视觉与机器学习领域，更具体的，涉及一种高密度代表性原型指引的半监督语义分割方法。

技术介绍

1、半监督语义分割是一种计算机视觉技术，它结合了监督学习和无监督学习的方法来理解和分类图像中的每个像素。这种技术的提出是为了解决全监督语义分割中的一个主要问题：全监督学习需要大量的标注数据，而这些数据的获取通常是耗时且成本高昂的。

2、在半监督语义分割中，使用的是少量的标注数据和大量的未标注数据。这种方法的优势在于它能够利用未标注数据的潜在信息，从而减少对大量标注数据的依赖，同时还能保持较高的分割精度。

3、目前的主流做法包括：

4、自训练（self-training）：这种方法首先使用有标签的数据训练模型，然后用这个模型对无标签数据进行预测，以此生成伪标签。接着，结合真实标签和伪标签继续训练模型。这种方法的关键在于如何生成高质量的伪标签和减少噪声。

5、一致性正则化（consistency regularization）：这种方法依赖于这样的假设：模型对输入的小变化应该是不变的。即，即使输入图像略本文档来自技高网...

【技术保护点】

1.一种高密度代表性原型指引的半监督语义分割方法，其特征在于，包括：

2.根据权利要求1所述的高密度代表性原型指引的半监督语义分割方法，其特征在于，步骤S1中获取数据集，数据集包括带有像素级标注的有标签分割数据集与大量无标签数据集，具体包括：

3.根据权利要求2所述的高密度代表性原型指引的半监督语义分割方法，其特征在于,模型为分割网络，分割网络包括主干网络与解码器；主干网络由ImageNet预训练进行参数的初始化，分割解码器参数进行随机初始化；

4.根据权利要求3所述的高密度代表性原型指引的半监督语义分割方法，其特征在于，分割网络在带有标注的数据集上进...

【技术特征摘要】

1.一种高密度代表性原型指引的半监督语义分割方法，其特征在于，包括：

2.根据权利要求1所述的高密度代表性原型指引的半监督语义分割方法，其特征在于，步骤s1中获取数据集，数据集包括带有像素级标注的有标签分割数据集与大量无标签数据集，具体包括：

3.根据权利要求2所述的高密度代表性原型指引的半监督语义分割方法，其特征在于,模型为分割网络，分割网络包括主干网络与解码器；主干网络由imagenet预训练进行参数的初始化，分割解码器参数进行随机初始化；

4.根据权利要求3所述的高密度代表性原型指引的半监督语义分割方法，其特征在于，分割网络在带有标注的数据集上进行热身训练，并同步采用像素级的交叉熵函数进行监督训练，训练的有监督损失函数为：

5.根据权利要求1所述的高密度代表性原型指引的半监督语义分割方法，其特征在于，步骤s3中增广一致性训练步骤如下：

6.根据权利要求1所述的高密度代表性...

【专利技术属性】
技术研发人员：肖继民，王晓阳，李浩程，方正，
申请(专利权)人：苏州元瞰科技有限公司，
类型：发明
国别省市：