[发明专利]基于目标分割领域自学习的半监督学习方法和系统

权利要求书

1.一种基于目标分割领域自学习的半监督学习方法，其特征在于，包括：

利用训练数据集中具有标记的数据训练初始分割网络；

通过训练后的初始分割网络，将训练数据集中未标记的数据生成伪标签；

对生成的伪标签进行形状质量评估和语义质量评估；

将形状质量和语义质量进行融合，得出伪标签质量；

对真实标签和伪标签的分布进行估计，去除伪标签中的噪音，优化伪标签；

将优化后的伪标签数据加入到训练数据集中扩大训练数据集；

利用扩大后的训练数据集优化训练后的初始分割网络；

迭代重复以上步骤，直至分割网络性能饱和。

2.根据权利要求1所述的基于目标分割领域自学习的半监督学习方法，其特征在于，所述利用训练数据集中具有标记的数据训练初始分割网络，包括：

将带有标签的数据使用强监督训练的方式训练得到一个初级的分割网络，所述初级的分割网络对于任意输入的图像，生成0到1之间浮点数组成的初级分割图；

所述初级的分割网络表示为：

L_bce＝-(y_ilog(f_S(x_i))+(1-y_i)log(1-f_S(x_i)))

L_s＝L_bce+L_kl

其中，x_i是图像中的像素点，y_i为对应的真实标签，f_S是使用的分割模型，L_bce为交叉熵损失函数，L_kl为Kullback-Leibler divergence，L_S为训练分割网络的损失函数。

3.根据权利要求1所述的基于目标分割领域自学习的半监督学习方法，其特征在于，所述通过训练后的初始分割网络，将训练数据集中未标记的数据生成伪标签，包括：

利用训练好的初始分割网络，在未标记的数据上进行测试，生成未标记数据的伪标记分割图，从而获得具有伪标签的训练数据集。

4.根据权利要求1所述的基于目标分割领域自学习的半监督学习方法，其特征在于，所述对生成的伪标签进行形状质量评估，包括：

通过变分自编码器网络学习真实标签的形状分布信息，然后分析伪标签中的形状分布信息，评估伪标签中样本的分布与真实分布一致性，从而完成伪标签的形状质量评估；

所述变分自编码器网络表示为：

L_d＝-(y_zlog(D(z))+(1-y_z)log(1-D(z))

L_vae＝∑|x′_i-x_i|+KL(p(z|x)||q(z))

其中，z是变分自编码器的隐空间变量，y_z为{0，1}，0表示样本来自于伪标签，1表示样本来自于真实标签，D是对于隐空间变量z的分类器，L_d为训练分类器的损失函数，x′_i和x_i为通过变分自编码器重建的数据和输入的数据，KL为隐空间z的分布p(z|x)和标准正态分布q(z)～N(0，I)之间的Kullback-Leibler divergence，L_vae为训练变分自编码器的损失函数；

在训练阶段，变分自编码器在重建输入的过程中学习到关于真实标签在形状层面的低维分布的先验知识，从而在测试阶段，对得到的伪标签进行测试，得到伪标签中的样本分布与真实分布的一致性程度估计，进而得到一个介于0-1之间的一个形状质量评估。

5.根据权利要求1所述的基于目标分割领域自学习的半监督学习方法，其特征在于，所述对生成的伪标签进行语义质量评估，包括：

通过评估伪标签在原图像中所对应位置的物体与周围物体之间的位置关系来判定伪标签与原图像之间的匹配程度，从而得出伪标签的语义质量。