买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：厦门大学

摘要：本发明涉及一种基于多尺度学习的半监督实例分割方法、系统及存储介质，本发明对于两种尺度下预测的分类标签的角度以及掩膜的角度进行互相参考和纠正，再通过综合得分确定最终应当保留的伪标签，从而很好地对单一尺度上的伪标签进行数量上的补充以及质量上的提优。本发明还设计了面积适应的额外尺度学习策略，通过在额外的尺度下让模型分别学习大面积以及根据预测情况保留的小面积伪标签，有效提升额外下采样下的模型对于伪标签的学习效果。

主权项：1.一种基于多尺度学习的半监督实例分割方法，其特征在于：所述方法增设了多尺度伪标签纠正模块和面积适应的额外尺度学习策略；所述方法具体包括以下步骤：步骤1、随机初始化学生模型和教师模型；步骤2、将原始尺度的有标签图片输入学生模型得到预测结果；步骤3、通过有标记图片的标签和预测结果进行计算损失函数；步骤4、对原始尺度和下采样0.5倍尺度的无标记图片进行弱数据增强，从教师模型中获取弱增强的无标记图片的预测结果，最终得到原始尺度下的伪标签以及下采样0.5倍尺度下的伪标签；步骤5、将原始尺度下的伪标签和下采样0.5倍尺度下伪标签输入进多尺度伪标签纠正模块，得到优化后的伪标签；步骤6、对原始尺度下的无标签图片进行强数据增强，将经过强增强的无标记图片输入到学生模型得到预测结果；步骤7、将学生模型对于原始尺度下强增强图片的预测结果和优化后的伪标签计算无标记图片的损失函数；步骤8、对下采样0.5倍尺度下的无标签图片进行强数据增强，将经过强增强的无标签图片输入到学生模型得到预测结果；步骤9、将优化后伪标签下采样至对应尺度得到，将学生模型对于下采样0.5倍尺度下强增强图片的预测结果和利用面积适应的额外尺度学习策略计算无标签图片的损失函数；步骤10、将步骤2、步骤6和步骤8得到的损失值加权求和得到总损失，以梯度回传算法训练学生模型；步骤11、通过EMA方法对多个时间步中的学生模型进行集成，更新教师模型的参数；步骤12、重复步骤2至步骤11，不断训练学生模型和教师模型实例分割的性能，直到预设的迭代次数结果；步骤13、训练完成后，任意选择教师模型或者学生模型对于输入的图片进行推理预测，得到实例分割的结果。

全文数据：

权利要求：

百度查询： 厦门大学 一种基于多尺度学习的半监督实例分割方法、系统及存储介质