买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：苏州元瞰科技有限公司

摘要：本发明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。

主权项：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：S1，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，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；S2，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，利用伪标签对强增广样本预测进行监督训练，进行模型强弱增广一致性训练；S3，构建混合高斯模型作为目标分布，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高斯分布；S4，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，作为每个类别的高密度原型；S5，利用对比学习缩小同一类别特征与该类别的高密度原型之间的距离，并增加同一类别特征与其他类别的原型的距离，增加特征聚类紧密度，提升分割模型解码器的像素分类性能；S6，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；所述混合高斯模型是包含多个单独高斯模型的联合模型，每一个类别的特征将对应一个单独高斯模型；单独高斯模型数量与训练集类别数量一致，混合高斯模型具体形式为： 其中z为经过归一化流模型变换的特征，K为特征类别总数，μk，∑k为第k个高斯的均值与协方差矩阵；归一化流模型时训练方法如下：获取真实标签与伪标签，通过真实标签与伪标签将特征与对应高斯模型建立联系；计算有标注特征与无标注特征的似然，具体形式为： 通过最大似然的目标函数学习归一化流模型的参数，建立每个类别的图像特征与对应的高斯分布的联系；最大似然的目标函数公式如下： 其中，总共收集M个带有真实标签的特征标签数据对，为第m个真实标签数据对；共收集N个带有可靠伪标签的特征标签数据对，为第n个伪标签数据对；在变换后的特征空间，高斯模型的均值为高斯密度最高的区域，通过归一化流模型的逆向变换可将高斯均值投影回原始特征空间，得到该类别的原型特征，公式如下： 其中ck为第k个类别中的原型特征；获取分割结果的流程如下：使用编码器g提取出测试图像的像素位置为j的特征，记为：使用解码器对提取出的特征进行分割解码，获取每个像素的分类概率向量每个像素特征与每个类别的高密度原型进行比较,得到基于高密度原型的类别预测向量向量中第k个元素为表示类别预测为k的概率，可计算为： 其中K为类别总数；通过权重系数融合解码器预测与高密度原型预测，融合计算公式如下： 最终分割结果预测为： 其中，表示第i张测试图像；g表示分割模型编码器；h表示分割模型解码器；表示归一化流模型；c表示高密度原型，ck表示类别k对应高密度原型。

全文数据：

权利要求：

百度查询： 苏州元瞰科技有限公司 一种高密度代表性原型指引的半监督语义分割方法