【技术实现步骤摘要】
本专利技术涉及图像分割，特别是涉及一种半监督图像分割方法、系统、电子设备及存储介质。
技术介绍
1、本部分的陈述仅仅是提到了与本专利技术相关的
技术介绍
，并不必然构成现有技术。
2、图像分割是计算机视觉中的一个基本问题，其目的是推断图像中所有像素的语义标签。在过去的十年中，随着大规模数据集的出现以及卷积神经网络和分割模型的快速发展，图像分割已经取得了显著的进步。
3、由于图像采集设备存在设备差异性及采集图像的环境条件不同，导致需要分割的部分图像存在特征纹理不清晰、特征差异性大等特点，影响图像分割的准确性。若一味对图像分割方法进行改进，则会导致图像分割模型过大，影响图像分割的实时性和可移植性。
4、全监督图像分割方法通过从大量的密集注释图像中进行归纳来学习如何分配像素级语义标签，尽管这类方法取得了迅速的进展，但是逐像素的手动标记是昂贵且费力的，阻碍了这类方法在诸如医学图像分析等场景下的部署。
5、为了降低图像标注的成本，人们进一步提出了半监督学习方法来利用少量的标注数据和大量的未标注数据训练图...
【技术保护点】
1.一种半监督图像分割方法，其特征在于，包括：
2.如权利要求1所述的半监督图像分割方法，其特征在于，所述基于标注数据集，通过标注驱动的样本自适应加权方法对所述图像分割模型进行监督训练包括：
3.如权利要求2所述的半监督图像分割方法，其特征在于，所述监督损失函数表示为：
4.如权利要求1所述的半监督图像分割方法，其特征在于，所述基于无标注数据集，通过稳定性驱动的样本自适应加权方法对所述图像分割模型进行无监督训练包括：
5.如权利要求4所述的半监督图像分割方法，其特征在于，所述基于无标注数据集，通过稳定性驱动的样本自适应加...
【技术特征摘要】
1.一种半监督图像分割方法，其特征在于，包括：
2.如权利要求1所述的半监督图像分割方法，其特征在于，所述基于标注数据集，通过标注驱动的样本自适应加权方法对所述图像分割模型进行监督训练包括：
3.如权利要求2所述的半监督图像分割方法，其特征在于，所述监督损失函数表示为：
4.如权利要求1所述的半监督图像分割方法，其特征在于，所述基于无标注数据集，通过稳定性驱动的样本自适应加权方法对所述图像分割模型进行无监督训练包括：
5.如权利要求4所述的半监督图像分割方法，其特征在于，所述基于无标注数据集，通过稳定性驱动的样本自适应加权方法对所述图像分割模型进行无监督训练还包括：
<...【专利技术属性】
技术研发人员：袭肖明，孙良运，陈关忠，宁一鹏，钱娜，郭子康，纪孔林，聂秀山，
申请(专利权)人：山东建筑大学，
类型：发明
国别省市：
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。