申请/专利权人：浙江大学

申请日：2021-10-19

公开（公告）日：2024-06-25

公开（公告）号：CN113962999B

主分类号：G06T7/11

分类号：G06T7/11;G06T7/187;G06T7/194;G06T7/62;G06T7/00;G06V10/46;G06V10/764;G06V10/762;G06V10/82;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.06.25#授权;2022.02.15#实质审查的生效;2022.01.21#公开

摘要：本发明公开了一种基于高斯混合模型和标签矫正模型的噪声标签分割方法。该方法包括以下模块：1预训练分割模型，可以是任意现有的分割模型；2噪声标签鉴定模块，该模块通过分割网络的预测结果与混有噪声标签的原标签比较，区分得到无噪标签和含噪标签，并挑选含噪标签进行标注；3标签矫正模块，该模块利用特征相似度选择置信度较高的像素以计算影像的伪标签；4置信反向传播模块，考虑到生成的伪标签可能带来新的噪声,该模块仅利用置信度高的伪标签和原始标签对网络进行参数训练。本发明提供的噪声标签分割方法，有效防止模型对噪声标签过分拟合，能够更准确地实现噪声标签背景下的医学图像感兴趣区域的分割。

主权项：1.基于高斯混合模型和标签矫正模型的噪声标签分割方法，其特征在于，包括如下步骤：1将数据集分为两个子数据集，对每个子数据集分别进行下述步骤2-6，所述数据集包括输入图像以及混有噪声标签的原标签；2根据数据集进行简单模型预训练，并使用所得的预训练模型预测输入图像，得到预测分割结果；3利用损失函数对混有噪声标签的原标签进行聚类，计算出原标签属于无噪标签和含噪标签的概率，进而区分得到无噪标签和含噪标签；4对含噪标签使用标签矫正模块：计算输入图像中每个像素的显著度，以及属于目标区域的概率，根据计算结果对图像进行分割，得到输入图像的伪标签；5采用互补学习策略，将两个子数据集训练得到的两个网络互相校对,以剔除确认偏差，得到协同细化后的伪标签；6梯度反向传播阶段：运用置信反向传播模块，仅使用低噪声伪标签和无噪的原标签对网络进行反向传播；7训练结束后，由来自两个网络的训练模型共同预测待分割样本的标签；所述步骤5的互补学习策略具体为：对两个子数据集均进行如下操作：线性组合混有噪声标签的原标签yt与当前子数据集在步骤4中重新生成的伪标签y’t，对标记样本进行标签协同细化，得到协同细化后的伪标签 其中，wt为另一个子数据集在步骤3中产生的属于无噪标签的概率。

全文数据：

权利要求：

百度查询： 浙江大学 基于高斯混合模型和标签矫正模型的噪声标签分割方法

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