一种高密度代表性原型指引的半监督语义分割方法

专利主权项内容

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。