公开(公告)号：CN118447256B

公开(公告)日：2024-10-18

申请号：CN202410903539.1

申请日：2024-07-08

Applicant: 南京信息工程大学

Inventor： 陈亚当 ,  李家戚 ,  卢楚翰

IPC: G06V10/26 ,  G06V10/764 ,  G06V10/82 ,  G06V20/70 ,  G06N3/045 ,  G06N3/0895 ,  G06N3/094 ,  G06V10/774

Abstract: 本发明公开了一种基于强弱一致性的半监督对抗互训练语义分割方法，包括以下步骤：（1）获取开源网站Pascal VOC2012数据集体并进行预处理；（2）构建基于改进的deeplabV3+差异特征一致性融合伪标签分支监督分割网络并进行训练，包括：快速增强网络和重度增广网络；（3）输出分割图；本发明使用互训练的思想构建了一个基于强弱一致性的对抗联合训练架构方法，用于半监督语义分割，不仅拥有很好的端对端训练，而且在训练中使用了互训练的方法，两个分支相互监督避免了确认偏差的影响，且特征对抗的思想更是强制让模型拥有更强的泛化能力，强弱一致性也让模型能够在图像包含较少有效信息的情况下有很好的性能。

公开(公告)号：CN118447256A

公开(公告)日：2024-08-06

申请号：CN202410903539.1

申请日：2024-07-08

Applicant: 南京信息工程大学

Inventor： 陈亚当 ,  李家戚 ,  卢楚翰

IPC: G06V10/26 ,  G06V10/764 ,  G06V10/82 ,  G06V20/70 ,  G06N3/045 ,  G06N3/0895 ,  G06N3/094 ,  G06V10/774

Abstract: 本发明公开了一种基于强弱一致性的半监督对抗互训练语义分割方法，包括以下步骤：（1）获取开源网站Pascal VOC2012数据集体并进行预处理；（2）构建基于改进的deeplabV3+差异特征一致性融合伪标签分支监督分割网络并进行训练，包括：快速增强网络和重度增广网络；（3）输出分割图；本发明使用互训练的思想构建了一个基于强弱一致性的对抗联合训练架构方法，用于半监督语义分割，不仅拥有很好的端对端训练，而且在训练中使用了互训练的方法，两个分支相互监督避免了确认偏差的影响，且特征对抗的思想更是强制让模型拥有更强的泛化能力，强弱一致性也让模型能够在图像包含较少有效信息的情况下有很好的性能。