[发明专利]一种基于双网络协同分割模型的图像语义分割方法

权利要求书

1.一种基于双网络协同分割模型的图像语义分割方法，其特征在于，包括：

构建双网络协同分割模型并进行训练，将待分割的图像输入训练好的双网络协同分割模型，得到分割结果；

所述双网络协同分割模型，包括：两个参数不同网络结构相同的分割网络f_θ1和f_θ2，所述f_θ1和f_θ2包括：编码器、分类器、和投影头；

所述双网络协同分割模型的训练过程，包括以下步骤：

S1：将有标签数据输入分割网络f_θ1和f_θ2，采用传统的基于像素级交叉熵的全监督语义分割方法进行模型的训练，训练的全监督损失函数用表示；

S2：对无标签数据x_u进行弱数据增强A_w处理，得到无标签数据的弱数据增强版本x_w＝A_w(x_u)；

S3：将弱数据增强版本x_w进行两次强数据增强A_s处理，得到两个不同的强数据增强版本x_s1＝A_s(x_w)和x_s2＝A_s(x_w)；

S4：将弱数据增强版本x_w同时输入分割网络f_θ1和f_θ2，先对x_w通过编码器进行编码，然后使用分类器进行分类，分别得到分割预测和

S5：将两个强数据增强版本x_s1、x_s2分别输入分割网络f_θ1和f_θ2，两个网络分别对x_s1、x_s2通过编码器进行编码，然后使用分类器进行分类，分别得到分割预测和

S6：将弱数据增强版本的预测分别进行硬化操作，得到伪标签y¹和y²；

S7：根据伪标签y₁和y₂使用损失函数进行跨网络在标签空间中的一致性学习；

S8：将无标签数据的弱数据增强版本x_w输入分割网络f_θ1和f_θ2，分别通过两个分割网络的编码器对x_w进行编码，通过投影头将编码后的x_w投影到对比学习特征空间中，得到特征集合z¹、z²；

S9：将特征集合z¹、z²中来自不同网络被投射到同一特征空间的具有相同位置的特征定义为一对正样本，将具有不同伪标签的特征定义为一对负样本；

S10：通过正负样本对得到模型跨网络对比学习在特征空间中的损失函数通过优化进行对比学习让锚特征向量与正样本相互吸引，与负样本相互排斥；

S11：根据全监督训练和半监督训练的损失函数得到所述双网络协同分割模型的整体损失函数，当整体损失函数的损失值最小时，完成所述双网络协同分割模型的训练，得到训练好的双网络协同分割模型。

2.根据权利要求1所述的一种基于双网络协同分割模型的图像语义分割方法，其特征在于，所述有标签数据进行全监督训练的损失函数包括：

其中，l_ce()表示交叉熵损失函数，x^l表示标签数据，y表示x^l对应的标签，W和H分别为待分割图像x^l的宽和高，f_θ表示模型的分割网络，T表示转置操作，y_i表示索引为i的标签，表示索引为i的标签数据。

3.根据权利要求1所述的一种基于双网络协同分割模型的图像语义分割方法，其特征在于，所述强弱数据增强，包括：

所述弱数据增强方法包括：随机裁剪、随机水平翻转以及随机缩放；

所述强数据增强方法包括：随机高斯模糊、随机颜色失真以及随机灰度缩放。