申请/专利权人：宁波大学

申请日：2023-05-09

公开（公告）日：2024-04-19

公开（公告）号：CN117911804A

主分类号：G06V10/774

分类号：G06V10/774;G06V10/26;G06V10/74;G06V10/82;G06N3/0455;G06N3/0895

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.07#实质审查的生效;2024.04.19#公开

摘要：本发明公开了一种基于自纠正伪双模型的半监督分割模型、训练方法与应用。所述训练方法包括：提供初始模型以及训练数据；获得有标签预测结果并计算有监督损失值；获得无标签浅层预测结果和无标签深层预测结果；计算散度损失值；计算伪标签和原型的相似度并基于相似度纠正计算无监督损失值的计算过程；基于有监督损失值、散度损失值以及无监督损失值更新初始模型的参数，直至满足结束条件。本发明所提供的训练方法可以避免模型耦合；在训练过程中，在深层和浅层学到的特征可以即时汇总；数据占用小；还通过根据特征和所有类别原型之间的余弦相似度来纠正伪标签，在避免过拟合的同时显著提高了伪标签利用率，最终提高了模型训练效率与准确性。

主权项：1.一种基于自纠正伪双模型的半监督语义分割模型训练方法，其特征在于，包括：提供初始模型以及训练数据，所述初始模型包括共享编码器、浅层解码器以及深层解码器，所述共享编码器用于将输入数据编码为浅层特征和深层特征，所述浅层解码器用于对所述浅层特征进行解码，所述深层解码器用于对所述深层特征进行解码，所述训练数据包括有标签数据及其对应的真值标签，以及无标签数据；使所述有标签数据输入所述初始模型中获得有标签预测结果，并基于对应的所述真值标签计算有监督损失值；使无标签数据输入所述初始模型，获得无标签浅层预测结果和无标签深层预测结果；计算所述无标签浅层预测结果和无标签深层预测结果的散度损失值；集成所述无标签浅层预测结果和无标签深层预测结果作为伪标签，基于所述有标签预测结果获得原型，计算所述伪标签和原型的相似度并基于相似度纠正利用所述伪标签、无标签浅层预测结果以及无标签深层预测结果计算无监督损失值的计算过程；基于所述有监督损失值、散度损失值以及无监督损失值更新所述初始模型的参数，直至满足结束条件。

全文数据：

权利要求：

百度查询： 宁波大学 基于自纠正伪双模型的半监督分割模型、训练方法与应用

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD