【技术实现步骤摘要】
本专利技术涉及计算机视觉与深度学习，具体为基于硬样本噪声容忍对比半监督语义分割方法。
技术介绍
1、半监督语义分割方法是一种结合了有标签数据和无标签数据进行图像分割的技术。这种方法旨在减少对大量标记数据的依赖，从而降低标注成本并提高模型的泛化能力，常用于自动驾驶、医学影像分析、智能视频监控等领域。
2、然而传统半监督语义分割方法在处理未标注数据时，通常依赖伪标签生成策略，但伪标签中的噪声会导致模型性能下降。现有技术中，动态阈值筛选虽能过滤低置信度伪标签，但会因样本数量减少而影响困难样本的学习；对比学习虽能提升特征判别性，但传统infonce损失未考虑伪标签噪声，导致特征空间畸变。此外，硬样本采样策略在噪声环境下易受伪标签错误干扰，现有方法(如置信度过滤、多扰动模型)难以平衡样本效率与噪声抑制，为此提出了基于硬样本噪声容忍对比半监督语义分割方法。
技术实现思路
1、针对现有技术的不足，本专利技术提供基于硬样本噪声容忍对比半监督语义分割方法，以解决
技术介绍
问题。
2、为...
【技术保护点】
1.基于硬样本噪声容忍对比半监督语义分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于硬样本噪声容忍对比半监督语义分割方法，其特征在于，所述学生模型与教师模型的编码器为ResNet-101或Vision Transformer-Base，解码器为U-Net++或DeepLabv3+，投影头为两层MLP(隐藏层维度512，输出维度128)。
3.根据权利要求1所述的基于硬样本噪声容忍对比半监督语义分割方法，其特征在于，所述对于标注数据集标其交叉熵损失为：
4.根据权利要求1所述的基于硬样本噪声容忍对比半监督语义分割方法...
【技术特征摘要】
1.基于硬样本噪声容忍对比半监督语义分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于硬样本噪声容忍对比半监督语义分割方法，其特征在于，所述学生模型与教师模型的编码器为resnet-101或vision transformer-base，解码器为u-net++或deeplabv3+，投影头为两层mlp(隐藏层维度512，输出维度128)。
3.根据权利要求1所述的基于硬样本噪声容忍对比半监督语义分割方法，其特征在于，所述对于标注数据集标其交叉熵损失为：
4.根据权利要求1所述的基于硬样本噪声容忍对比半监督语义分割方法，其特征在于，加入对比损失后，总损失函数为标注数据交叉熵损失llabeled、伪标签损失lunlabeled及对比损失的加权和：
5.根据权利要求1所述的基于硬样本噪声容忍对比半监督语义分割方法，其特征在于，记忆库更新采用先进先出策略，新特征替换库中置信度最低的旧特征，且每类特征数量超过maxn＝2000时触发...
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。