【技术实现步骤摘要】
本专利技术涉及图像分割技术改进，具体涉及一种基于水平集和再学习的图像半监督分割方法，属于计算机视觉。
技术介绍
1、图像分割技术广泛应用于自动驾驶、卫星图像系统、机器人、医学影像等领域。在无人驾驶领域，通过对道路场景进行高质量的语义分割，可为自动驾驶汽车的安全行驶提供保障。在卫星遥感图像对于道路、森林、农田生物等类别的分割，可以应用于资源、环境的监测管理。在医学领域，医学图像分割能够实现对病灶以及组织器官的分割，辅助医学工作者估计病灶和组织器官的位置和体积，用于疾病的诊断、治疗规划及术后评估。例如，在心脏和前列腺疾病的诊断与治疗中，通过对mri图像进行精准分割，可以帮助医生快速定位病灶区域，量化病变组织的体积或形态特征，从而为治疗方案的制订和手术规划提供依据。此外，精确的医学图像分割对于后续的病例分析、放疗规划以及多模态配准等任务也起到至关重要的作用。
2、随着大数据的发展，基于深度学习的分割方法已经形成分割算法的主流。在深度学习中，卷积神经网络(cnn)在分割目标时引入了语义信息，为语义分割研究注入了新的活力。基于cnn架...
【技术保护点】
1.一种图像半监督分割方法，其特征在于：步骤如下：
2.根据权利要求1所述的一种图像半监督分割方法，其特征在于：
3.根据权利要求2所述的一种图像半监督分割方法，其特征在于：无标记数据集输入到教师模型和学生模型中时，分别计算每个无标记数据的最低概率类别，得到每个无标记数据在教师模型和学生模型的最低概率预测，并计算每个无标记数据在教师模型和学生模型两边得到的最低概率预测的相似度s；随后，通过选择器对相似度s进行筛选，筛选出符合条件的样本，其过程如下式所示：
4.根据权利要求1所述的一种图像半监督分割方法，其特征在于：步骤1.1)中所述...
【技术特征摘要】
1.一种图像半监督分割方法，其特征在于：步骤如下：
2.根据权利要求1所述的一种图像半监督分割方法，其特征在于：
3.根据权利要求2所述的一种图像半监督分割方法，其特征在于：无标记数据集输入到教师模型和学生模型中时，分别计算每个无标记数据的最低概率类别，得到每个无标记数据在教师模型和学生模型的最低概率预测，并计算每个无标记数据在教师模型和学生模型两边得到的最低概率预测的相似度s；随后，通过选择器对相似度s进行筛选，筛选出符合条件的样本，其过程如下式所示：
4.根据权利要求1所述的一种图像半监督分割方法，其特征在于：步骤1.1)中所述训练数据集中的训练数据全部为有标记数据，步骤1.2)所述无标记数据集通过将部分有标记数据的标记弃用而得到；步骤1.4)所述主动标注通过将弃用的对应标记恢复而实现。
5.根据权利要求1所述的一种图像半监督分割方法，其特征在于：设置计数器来控制主动标注的数量，以防止所有教师模型和学生模型共同分割困难的无标记数据都符合选择器条件，避免将半监督学习变成全监督学习。
6.根据权...
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。