CN115082800A - 图像分割方法 - Google Patents

图像分割方法 Download PDF

Info

Publication number
CN115082800A
CN115082800A CN202210856084.3A CN202210856084A CN115082800A CN 115082800 A CN115082800 A CN 115082800A CN 202210856084 A CN202210856084 A CN 202210856084A CN 115082800 A CN115082800 A CN 115082800A
Authority
CN
China
Prior art keywords
target
network model
initial
image data
training sample
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210856084.3A
Other languages
English (en)
Other versions
CN115082800B (zh
Inventor
袁建龙
王志斌
李�昊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Alibaba Damo Institute Hangzhou Technology Co Ltd
Original Assignee
Alibaba Damo Institute Hangzhou Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Alibaba Damo Institute Hangzhou Technology Co Ltd filed Critical Alibaba Damo Institute Hangzhou Technology Co Ltd
Priority to CN202210856084.3A priority Critical patent/CN115082800B/zh
Publication of CN115082800A publication Critical patent/CN115082800A/zh
Application granted granted Critical
Publication of CN115082800B publication Critical patent/CN115082800B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种图像分割方法。其中，该方法包括：获取待分类的目标图像数据；采用目标半监督分割模型对目标图像数据进行分割处理，以得到目标图像数据的分类结果，其中，目标半监督分割模型由至少两组目标网络模型对组成，目标网络模型对由一个目标教师网络模型和一个目标学生网络模型组成，目标网络模型对是由强增强和弱增强处理后的样本数据训练得到的，目标教师网络模型用于交叉监督目标学生网络模型训练。本发明解决了相关技术中已有的半监督分割网络模型，由于在进行训练时，只考虑到网络扰动，导致在对图像数据分类时的准确度比较低的技术问题。

Description

图像分割方法
技术领域
本发明涉及数据处理技术领域，具体而言，涉及一种图像分割方法。
背景技术
语义分割是视觉理解的基本任务之一，它将图像中的每个像素分类到一个预定义的类别集。近年来，在大规模数据集的帮助下，语义分割的监督学习神经网络模型取得了巨大的进展，但是监督学习神经网络模型需要运用大量的标记数据，是非常耗时的，因此半监督学习神经网络模型应运而生，但是现有的半监督神经网络模型，在训练是仅仅考虑了网络扰动问题，这使得半监督神经网络模型的准确度比较低。
针对上述相关技术中已有的半监督分割网络模型，由于在进行训练时，只考虑到网络扰动，导致在对图像数据分类时的准确度比较低的技术问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种图像分割方法，以至少解决相关技术中已有的半监督分割网络模型，由于在进行训练时，只考虑到网络扰动，导致在对图像数据分类时的准确度比较低的技术问题。
根据本发明实施例的一个方面，提供了一种图像分割方法，包括：获取待分类的目标图像数据；采用目标半监督分割模型对所述目标图像数据进行分割处理，以得到所述目标图像数据的分类结果，其中，所述目标半监督分割模型由至少两组目标网络模型对组成，所述目标网络模型对由一个目标教师网络模型和一个目标学生网络模型组成，所述目标网络模型对是由强增强和弱增强处理后的样本数据训练得到的，所述目标教师网络模型用于交叉监督所述目标学生网络模型训练。
进一步地，采用目标半监督分割模型对所述目标图像数据进行分割处理，以得到所述目标图像数据的分类结果包括：通过所述目标半监督分割模型中的至少一个网络模型对所述目标图像数据进行分割处理，以得到所述目标图像数据的分类结果。
进一步地，通过所述目标半监督分割模型中的一个网络模型对所述目标图像数据进行分割处理，以得到所述目标图像数据的分类结果包括：通过所述目标半监督分割模型中的一个网络模型对所述目标图像数据进行分割，并对分割后的目标图像数据进行特征提取，得到多个第一目标特征向量；依据所述多个第一目标特征向量，计算得到所述目标图像数据属于每个类别标签的第一概率值；依据所述第一概率值，得到所述目标图像数据的分类结果。
进一步地，通过所述目标半监督分割模型中的多个网络模型对所述目标图像数据进行分割处理，以得到所述目标图像数据的分类结果包括：通过所述目标半监督分割模型中的每个网络模型对所述目标图像数据进行分割，得到多个分割后的目标图像数据；对每个分割后的目标图像数据进行特征提取，得到多个第二目标特征向量；依据每个第二目标特征向量，计算得到所述目标图像数据属于每个类别标签的多个第二概率值；依据所述多个第二概率值，得到所述目标图像数据的分类结果。
进一步地，所述目标半监督分割模型通过以下方式训练得到：获取第一初始训练样本集和第二初始训练样本集，其中，所述第一初始训练样本集由含有真实类别标签的多个图像数据组成，所述第二初始训练样本集由不含真实类别标签的多个图像数据组成，所述第一初始训练样本集的样本数量少于所述第二初始训练样本集的样本数量；对所述第一初始训练样本集进行图像增强处理，得到第一弱增强训练样本集，并对所述第二初始训练样本集进行图像增强处理，得到第二弱增强训练样本和第二强增强训练样本；对神经网络模型进行初始化，得到初始半监督分割模型，其中，所述初始半监督分割模型由至少两组初始网络模型对组成，所述初始网络模型对由一个初始学生网络模型和一个初始教师网络模型组成；依据所述第一弱增强训练样本集，所述第二弱增强训练样本和所述第二强增强训练样本对所述初始半监督分割模型进行训练，以得到所述目标半监督分割模型。
进一步地，依据所述第一弱增强训练样本集，所述第二弱增强训练样本和所述第二强增强训练样本对所述初始半监督分割模型进行训练，以得到所述目标半监督分割模型包括：依据所述第一弱增强训练样本集和所述初始网络模型对中的初始学生网络模型进行计算，得到第一目标损失函数；依据所述第二强增强训练样本集和所述初始网络模型对中的初始学生网络模型进行计算，得到第二目标损失函数；依据所述第二强增强训练样本集、所述第二弱增强训练样本集、所述初始网络模型对中的初始学生网络模型和所述初始网络模型对中的初始教师网络模型进行计算，得到第三目标损失函数；依据所述第一目标损失函数、所述第二目标损失函数和所述第三目标损失函数进行计算，得到总目标损失函数；依据所述总目标损失函数对所述初始半监督分割模型进行训练，以得到所述目标半监督分割模型。
进一步地，依据所述第一弱增强训练样本集和所述初始网络模型对中的初始学生网络模型进行计算，得到第一目标损失函数包括：通过每组初始网络模型对中的初始学生网络模型对所述第一弱增强训练样本集进行处理，得到所述第一弱增强训练样本集中的图像数据属于每个类别标签的多个第三概率值；依据所述多个第三概率值和所述第一弱增强训练样本集中的图像数据对应的真实类别标签进行损失计算，得到所述第一目标损失函数。
进一步地，依据所述第二强增强训练样本集和所述初始网络模型对中的初始学生网络模型进行计算，得到第二目标损失函数包括：通过每组初始网络模型对中的初始学生网络模型对所述第二强增强训练样本集进行处理，得到所述第二强增强训练样本集中的图像数据属于每个类别标签的多个第四概率值；依据每个第四概率值，计算得到所述第二强增强训练样本集中的图像数据对应的多个第一伪类别标签；依据所述多个第四概率值和所述多个第一伪类别标签进行计算，得到所述第二目标损失函数。
进一步地，通过每组初始网络模型对中的初始学生网络模型对所述第二强增强训练样本集进行处理，得到所述第二强增强训练样本集中的图像数据属于每个类别标签的多个第四概率值包括：通过所述每组初始网络模型对中的初始学生网络模型对所述第二强增强训练样本集中的图像数据进行特征处理，得到多个初始特征集；对每个初始特征集中的每个特征向量进行语义增强，得到多个目标特征集；依据每个目标特征集确定所述第二强增强训练样本集中的图像数据属于每个类别标签的多个第四概率值。
进一步地，依据所述第二强增强训练样本集、所述第二弱增强训练样本集、所述初始网络模型对中的初始学生网络模型和所述初始网络模型对中的初始教师网络模型进行计算，得到第三目标损失函数包括：通过每组初始网络模型对中的初始教师网络模型对所述第二弱增强训练样本集进行处理，得到所述第二弱增强训练样本集中的图像数据对应的多个第二伪类别标签；依据所述多个第四概率值和所述多个第二伪类别标签进行计算，得到所述第三目标损失函数。
根据本发明实施例的另一方面，还提供了一种遥感图像分割方法，包括：获取待分类的遥感图像数据；采用目标半监督分割模型对所述遥感图像数据进行分割处理，以得到所述遥感图像数据的分类结果，其中，所述目标半监督分割模型由至少两组目标网络模型对组成，所述目标网络模型对由一个目标教师网络模型和一个目标学生网络模型组成，所述目标网络模型对是由强增强和弱增强处理后的样本数据训练得到的，所述目标教师网络模型用于交叉监督所述目标学生网络模型训练。
进一步地，在采用目标半监督分割模型对所述遥感图像数据进行分割处理，以得到所述遥感图像数据的分类结果之后，所述方法还包括：在目标界面展示所述遥感图像数据的分类结果；若检测到对所述分类结果的调整指令，则响应所述调整指令对所述分类结果进行调整，得到调整后的分类结果；依据所述调整后的分类结果优化所述目标半监督分割模型。
根据本发明实施例的另一方面，还提供了一种图像分割装置，包括：第一获取单元，用于获取待分类的目标图像数据；第一处理单元，用于采用目标半监督分割模型对所述目标图像数据进行分割处理，以得到所述目标图像数据的分类结果，其中，所述目标半监督分割模型由至少两组目标网络模型对组成，所述目标网络模型对由一个目标教师网络模型和一个目标学生网络模型组成，所述目标网络模型对是由强增强和弱增强处理后的样本数据训练得到的，所述目标教师网络模型用于交叉监督所述目标学生网络模型训练。
进一步地，所述第一处理单元包括：处理子单元，用于通过所述目标半监督分割模型中的至少一个网络模型对所述目标图像数据进行分割处理，以得到所述目标图像数据的分类结果。
进一步地，所述处理子单元包括：第一提取模块，用于通过所述目标半监督分割模型中的一个网络模型对所述目标图像数据进行分割，并对分割后的目标图像数据进行特征提取，得到多个第一目标特征向量；第一计算模块，用于依据所述多个第一目标特征向量，计算得到所述目标图像数据属于每个类别标签的第一概率值；第一确定模块，用于依据所述第一概率值，得到所述目标图像数据的分类结果。
进一步地，所述处理子单元包括：分割模块，用于通过所述目标半监督分割模型中的每个网络模型对所述目标图像数据进行分割，得到多个分割后的目标图像数据；第二提取模块，用于对每个分割后的目标图像数据进行特征提取，得到多个第二目标特征向量；第二计算模块，用于依据每个第二目标特征向量，计算得到所述目标图像数据属于每个类别标签的多个第二概率值；第二确定模块，用于依据所述多个第二概率值，得到所述目标图像数据的分类结果。
进一步地，所述目标半监督分割模型通过以下方式训练得到：第二获取单元，用于获取第一初始训练样本集和第二初始训练样本集，其中，所述第一初始训练样本集由含有真实类别标签的多个图像数据组成，所述第二初始训练样本集由不含真实类别标签的多个图像数据组成，所述第一初始训练样本集的样本数量少于所述第二初始训练样本集的样本数量；第二处理单元，用于对所述第一初始训练样本集进行图像增强处理，得到第一弱增强训练样本集，并对所述第二初始训练样本集进行图像增强处理，得到第二弱增强训练样本和第二强增强训练样本；初始化单元，用于对神经网络模型进行初始化，得到初始半监督分割模型，其中，所述初始半监督分割模型由至少两组初始网络模型对组成，所述初始网络模型对由一个初始学生网络模型和一个初始教师网络模型组成；训练单元，用于依据所述第一弱增强训练样本集，所述第二弱增强训练样本和所述第二强增强训练样本对所述初始半监督分割模型进行训练，以得到所述目标半监督分割模型。
进一步地，所述训练单元包括：第一计算子单元，用于依据所述第一弱增强训练样本集和所述初始网络模型对中的初始学生网络模型进行计算，得到第一目标损失函数；第二计算子单元，用于依据所述第二强增强训练样本集和所述初始网络模型对中的初始学生网络模型进行计算，得到第二目标损失函数；第三计算子单元，用于依据所述第二强增强训练样本集、所述第二弱增强训练样本集、所述初始网络模型对中的初始学生网络模型和所述初始网络模型对中的初始教师网络模型进行计算，得到第三目标损失函数；第四计算子单元，用于依据所述第一目标损失函数、所述第二目标损失函数和所述第三目标损失函数进行计算，得到总目标损失函数；训练子单元，用于依据所述总目标损失函数对所述初始半监督分割模型进行训练，以得到所述目标半监督分割模型。
进一步地，所述第一计算子单元包括：第一处理模块，用于通过每组初始网络模型对中的初始学生网络模型对所述第一弱增强训练样本集进行处理，得到所述第一弱增强训练样本集中的图像数据属于每个类别标签的多个第三概率值；第三计算模块，用于依据所述多个第三概率值和所述第一弱增强训练样本集中的图像数据对应的真实类别标签进行损失计算，得到所述第一目标损失函数。
进一步地，所述第二计算子单元包括：第二处理模块，用于通过每组初始网络模型对中的初始学生网络模型对所述第二强增强训练样本集进行处理，得到所述第二强增强训练样本集中的图像数据属于每个类别标签的多个第四概率值；第四计算模块，用于依据每个第四概率值，计算得到所述第二强增强训练样本集中的图像数据对应的多个第一伪类别标签；第五计算模块，用于依据所述多个第四概率值和所述多个第一伪类别标签进行计算，得到所述第二目标损失函数。
进一步地，所述第二处理模块包括：处理子模块，用于通过所述每组初始网络模型对中的初始学生网络模型对所述第二强增强训练样本集中的图像数据进行特征处理，得到多个初始特征集；增强子模块，用于对每个初始特征集中的每个特征向量进行语义增强，得到多个目标特征集；确定子模块，用于依据每个目标特征集确定所述第二强增强训练样本集中的图像数据属于每个类别标签的多个第四概率值。
进一步地，所述第三计算子单元包括：第三处理模块，用于通过每组初始网络模型对中的初始教师网络模型对所述第二弱增强训练样本集进行处理，得到所述第二弱增强训练样本集中的图像数据对应的多个第二伪类别标签；第六计算模块，用于依据所述多个第四概率值和所述多个第二伪类别标签进行计算，得到所述第三目标损失函数。
根据本发明实施例的另一方面，还提供了一种遥感图像分割装置，包括：第三获取单元，用于获取待分类的遥感图像数据；第三处理单元，用于采用目标半监督分割模型对所述遥感图像数据进行分割处理，以得到所述遥感图像数据的分类结果，其中，所述目标半监督分割模型由至少两组目标网络模型对组成，所述目标网络模型对由一个目标教师网络模型和一个目标学生网络模型组成，所述目标网络模型对是由强增强和弱增强处理后的样本数据训练得到的，所述目标教师网络模型用于交叉监督所述目标学生网络模型训练。
进一步地，所述装置还包括：展示单元，用于在采用目标半监督分割模型对所述遥感图像数据进行分割处理，以得到所述遥感图像数据的分类结果之后，在目标界面展示所述遥感图像数据的分类结果；调整单元，用于若检测到对所述分类结果的调整指令，则响应所述调整指令对所述分类结果进行调整，得到调整后的分类结果；优化单元，用于依据所述调整后的分类结果优化所述目标半监督分割模型。
根据本发明实施例的另一方面，还提供了一种处理器，所述处理器用于运行程序，所述程序运行时上述的任意一项所述的图像分割的方法。
根据本发明实施例的另一方面，还提供了一种图像分割的系统，包括：处理器；以及存储器，与所述处理器连接，用于为所述处理器提供处理以下处理步骤的指令：获取待分类的目标图像数据；采用目标半监督分割模型对所述目标图像数据进行分割处理，以得到所述目标图像数据的分类结果，其中，所述目标半监督分割模型由至少两组目标网络模型对组成，所述目标网络模型对由一个目标教师网络模型和一个目标学生网络模型组成，所述目标网络模型对是由强增强和弱增强处理后的样本数据训练得到的，所述目标教师网络模型用于交叉监督所述目标学生网络模型训练。
在本发明实施例中，采用以下步骤：获取待分类的目标图像数据；采用目标半监督分割模型对目标图像数据进行分割处理，以得到目标图像数据的分类结果，其中，目标半监督分割模型由至少两组目标网络模型对组成，目标网络模型对由一个目标教师网络模型和一个目标学生网络模型组成，目标网络模型对是由强增强和弱增强处理后的样本数据训练得到的，目标教师网络模型用于交叉监督目标学生网络模型训练，解决了相关技术中已有的半监督分割网络模型，由于在进行训练时，只考虑到网络扰动，导致在对图像数据分类时的准确度比较低的技术问题。目标半监督分割模型由至少两组目标网络模型对组成，目标网络模型对由一个目标教师网络模型和一个目标学生网络模型组成，并且通过强增强和弱增强的方式增强训练样本的多样性。通过上述的方式提高了目标半监督分割模型的性能，使得目标半监督分割模型能够准确地对目标图像数据进行分类，进而达到了提高对图像数据分类时的准确度的效果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例一提供的计算机终端的示意图；
图2是根据本发明实施例一提供的图像分割方法的流程图；
图3是根据本发明实施例一提供的目标半监督分割模型的训练过程示意图；
图4是根据本发明实施例二提供的遥感图像分割方法的流程图；
图5是根据本发明实施例三提供的图像分割装置的示意图；
图6是根据本发明实施例四提供的遥感图像分割装置的示意图；
图7是根据本发明实施例五提供的图像分割的系统的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例，还提供了一种图像分割的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于实现图像分割方法的计算机终端（或移动设备）的硬件结构框图。如图1所示，计算机终端10（或移动设备10）可以包括处理器集合102（处理器集合102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置、以及处理器集合102可以包括一个或多个处理器，图1中采用102a，102b，……，102n来示出）、用于存储数据的存储器104、以及用于通信功能的传输模块。除此以外，还可以包括：显示器、输入/输出接口（I/O接口）、通用串行总线（USB）端口（可以作为BUS总线的端口中的一个端口被包括）、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
应当注意到的是上述处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算机终端10（或移动设备）中的其他元件中的任意一个内。如本申请实施例中所涉及到的，该数据处理电路作为一种处理器控制（例如与接口连接的可变电阻终端路径的选择）。
存储器104可用于存储应用软件的软件程序以及模块，如本发明实施例中的图像分割方法对应的程序指令/数据存储装置，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的应用程序的图像分割方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中，传输装置包括一个网络适配器（Network Interface Controller，NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置可以为射频（Radio Frequency，RF）模块，其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器（LCD），该液晶显示器可使得用户能够与计算机终端10（或移动设备）的用户界面进行交互。
在上述运行环境下，本申请提供了如图2所示的图像分割方法。图2是根据本发明实施例一的图像分割的方法的流程图。
步骤S201，获取待分类的目标图像数据。
步骤S202，采用目标半监督分割模型对目标图像数据进行分割处理，以得到目标图像数据的分类结果，其中，目标半监督分割模型由至少两组目标网络模型对组成，目标网络监督模型对由一个目标教师网络模型和一个目标学生网络模型组成，目标网络监督模型对是由强增强和弱增强处理后的样本数据训练得到的，目标教师网络模型用于交叉监督目标学生网络模型训练。
具体地，通过目标半监督分割模型对目标图像数据进行分割处理，将目标图像数据分成若干个特定的、具有独特性质的区域（即特征区域），再根据特征区域，得到目标图像数据对应的类别（即上述的分类结果）。目标半监督分割模型由至少两组目标网络模型对组成，目标网络监督模型对由一个目标教师网络模型和一个目标学生网络模型组成，目标网络监督模型对是由强增强和弱增强处理后的样本数据训练得到的，目标教师网络模型用于交叉监督目标学生网络模型训练。
在一可选的实施例中，目标半监督分割模型采用两组目标网络模型对。具体包括第一目标学生网络模型、第二目标学生网络模型、第一目标教师网络模型和第二目标教师网络模型。需要说明的是，每个学生网络模型在另一个学生网络模型生成的伪类别标签的监督下进行训练，并且通过第二目标教师网络模型输出的伪类别标签对第一目标学生网络模型进行监督，通过第一目标教师网络模型输出的伪类别标签对第二目标学生网络模型进行监督。
在一可选的实施例中，目标半监督分割模型采用三组目标网络模型对，也就是包括第一目标学生网络模型、第二目标学生网络模型、第三目标学生网络模型、第一目标教师网络模型、第二目标教师网络模型和第三目标教师网络模型。每个学生网络模型在另一个学生网络模型生成的伪类别标签的监督下进行训练，可以通过第二目标教师网络模型和第三目标教师网络模型对第一目标学生网络模型进行监督训练，通过第一目标教师网络模型和第三目标教师网络模型对第二目标学生网络模型进行监督训练，通过第一目标教师网络模型和第二目标教师网络模型对第三目标学生网络模型进行监督训练。
需要说明的是，上述的监督方法并不是唯一的监督方法，只要确保不要同一个目标网络模型对中的教师网络模型对学生网络模型进行监督训练就可以。通俗的说，就是不可以用第一目标教师网络模型对第一目标学生网络模型进行监督训练，保证目标教师网络模型交叉监督目标学生网络模型训练。
半监督学习是通过一组有限标记图像数据和一组大的未标记图像数据进行学习训练。在本发明提出的目标半监督分割模型的训练过程中，带标签的图像被输入学生网络模型，并通过真实分类标签之间的交叉熵损失进行优化。带有强(弱)增强的未标记图像被输入到学生（教师）网络模型中。每个学生网络模型在另一个学生网络模型和另一个教师网络模型生成的伪类别标签的监督下进行训练。
为了提高目标半监督分割模型的准确度，对训练样本进行弱增强和强增强处理。弱增强一般指对图像数据进行简单处理，例如，图像翻转、裁剪、调整大小等，强增强一般是指对图像数据进行比较复杂的处理，例如，CutMix（一种数据增强方法），以及从颜色抖动、模糊、灰度、均衡和日晒中随机选择一个操作。CutMix是通过应用二进制掩模m来实现的，该掩模m使用函数x =(1−m)⊙xi + m⊙xj将两幅图像进行组合，来实现图像的强增强，其中，xi为图像i，xj为图像j。
综上所述，通过上述的方式提高了目标半监督分割模型的性能，使得目标半监督分割模型能够准确地对目标图像数据进行分类，进而达到了提高对图像数据分类时的准确度的效果。
由于目标半监督分割模型由多组目标网络模型对构成，在实际的应用的过程中，可选择其中之一的网络模型实现分类工作，也可以选择多个网络模型来实现分类，具体包括以下内容：通过目标半监督分割模型中的至少一个网络模型对目标图像数据进行分割处理，以得到目标图像数据的分类结果。
以目标半监督分割模型包括两组目标网络模型对为例，选用第一目标学生网络模型、第二目标学生网络模型、第一目标教师网络模型和第二目标网络教师模型任意之一时，通过目标半监督分割模型中的一个网络模型对目标图像数据进行分割处理，以得到目标图像数据的分类结果包括：通过目标半监督分割模型中的一个网络模型对目标图像数据进行分割，并对分割后的目标图像数据进行特征提取，得到多个第一目标特征向量；依据多个第一目标特征向量，计算得到目标图像数据属于每个类别标签的第一概率值；依据第一概率值，得到目标图像数据的分类结果。
具体地，如果只采用目标半监督网络模型中的一个网络模型进行图像数据处理，则通过选择的网络模型对目标图像数据进行分割，得到特征区域，对特征区域进行特征提取，得到目标图像数据对应的特征向量（即上述的第一目标特征向量），根据目标图像数据对应的特征向量进行计算，得到目标图像数据属于每个类别标签的第一概率值，然后将最大概率值对应的类别标签作为目标图像数据的分类结果。
若选用目标半监督分割模型中的多个网络模型对目标图像数据进行分割处理，以得到目标图像数据的分类结果包括：通过目标半监督分割模型中的每个网络模型对目标图像数据进行分割，得到多个分割后的目标图像数据；对每个分割后的目标图像数据进行特征提取，得到多个第二目标特征向量；依据每个第二目标特征向量，计算得到目标图像数据属于每个类别标签的多个第二概率值；依据多个第二概率值，得到目标图像数据的分类结果。
在一可选的实施例中，以目标半监督分割模型包括两组目标网络模型对为例，选用第一目标学生网络模型、第二目标学生网络模型、第一目标教师网络模型和第二目标网络教师模型进行分类工作，那么对应的通过第一目标学生网络模型对对目标图像数据进行分割，得到特征区域，对特征区域进行特征提取，得到目标图像数据对应的特征向量，根据目标图像数据对应的特征向量进行计算，得到目标图像数据属于每个类别标签的第二概率值；通过第二目标学生网络模型对目标图像数据进行分割，得到特征区域，对特征区域进行特征提取，得到目标图像数据对应的特征向量，根据目标图像数据对应的特征向量进行计算，得到目标图像数据属于每个类别标签的概率值；通过第一目标教师网络模型对对目标图像数据进行分割，得到特征区域，对特征区域进行特征提取，得到目标图像数据对应的特征向量，根据目标图像数据对应的特征向量进行计算，得到目标图像数据属于每个类别标签的概率值；通过第二目标教师网络模型对对目标图像数据进行分割，得到特征区域，对特征区域进行特征提取，得到目标图像数据对应的特征向量，根据目标图像数据对应的特征向量进行计算，得到目标图像数据属于每个类别标签的概率值。
通过上述的概率值，确定目标图像数据信息所属的类别标签。例如，可以根据实际需求设置四个概率值的权重值，通过加权计算来得到目标图像数据信息所属的类别标签。
如何训练得到目标半监督分割模型是至关重要的，所以在本发明实施例一提供的目标半监督分割模型通过以下方式训练得到：获取第一初始训练样本集和第二初始训练样本集，其中，第一初始训练样本集由含有真实类别标签的多个图像数据组成，第二初始训练样本集由不含真实类别标签的多个图像数据组成，第一初始训练样本集的样本数量少于第二初始训练样本集的样本数量；对第一初始训练样本集进行图像增强处理，得到第一弱增强训练样本集，并对第二初始训练样本集进行图像增强处理，得到第二弱增强训练样本和第二强增强训练样本；对神经网络模型进行初始化，得到初始半监督分割模型，其中，初始半监督分割模型由至少两组初始网络模型对组成，初始网络模型对由一个初始学生网络模型和一个初始教师网络模型组成；依据第一弱增强训练样本集，第二弱增强训练样本和第二强增强训练样本对初始半监督分割模型进行训练，以得到目标半监督分割模型。
具体地，以目标半监督分割模型包括两组目标网络模型对为例，目标半监督分割模型由第一目标学生网络模型、第二目标学生网络模型、第一目标教师网络模型和第二目标网络教师模型组成。每个学生网络在另一个学生网络生成的伪类别标签的监督下进行训练。并且通过第二目标教师网络模型输出的伪类别标签对第一目标学生网络模型进行监督，通过第一目标教师网络模型输出的伪类别标签对第二目标学生网络模型进行监督。
通过以下方法训练得到目标半监督分割模型：首先要准备训练样本集，由于是半监督训练，所以训练样本集分为带有真实分类标签的第一初始训练样本集和不带有真实分类标签的第二初始训练样本集。在实际使用过程中，可以选取一个大的训练样本集，然后将这个训练样本集分为第一初始训练样本集和第二初始训练样本集。需要说明的是，第一初始训练样本集的数量远小于第二初始训练样本集。一般来说会选取训练样本集的十六分之一作为第一初始训练样本集，剩下的作为第二初始训练样本集。
在一可选的实施例中，第一初始训练样本集和第二初始训练样本集可以表示为
Figure 80273DEST_PATH_IMAGE001
和
Figure 669517DEST_PATH_IMAGE002
；其中，
Figure 183675DEST_PATH_IMAGE003
为大小为H×W的RGB 图像，yi表示像素级的one-hot（一种编码方式）标签图，即上述的真实分类标签。
为了增加训练样本的多样性，对训练样本进行图像增强处理。图像增强包括弱(WDA)和强(SDA)增强。对于第一初始训练样本集进行弱增强，得到对应的第一弱增强训练样本集。对于第二初始训练样本集既进行弱增强处理，也进行强增强处理，分别得到第二弱增强训练样本集和第二强增强训练样本集。
在训练样本处理完成后，进行网络模型的初始化处理，得到初始半监督分割模型，初始半监督分割模型由第一初始学生网络模型、第二初始学生网络模型、第一初始教师网络模型和第二初始教师网络模型组成（对应上述的初始半监督分割模型由至少两组初始网络模型对组成，初始网络模型对由一个初始学生网络模型和一个初始教师网络模型组成）。
带标签的图像（即上述的第一弱增强训练样本集）被输入初始学生网络模型，并通过真实分类标签之间的交叉熵损失进行优化。强增强的未标记图像（即上述的第二强增强训练样本集）被输入到初始学生网络模型中。弱增强的未标记的图像数据（即上述的第二弱增强训练样本集）还被输入到初始教师网络模型。每个学生网络模型在另一个学生网络模型和另一个教师网络模型生成的伪类别标签的监督下进行训练，以得到上述的目标半监督分割模型。
综上所述，通过两个不同的初始学生网络模型和两个相应的教师网络模型得到初始半监督分割模型，通过教师网络模型的知识来监督学生分支，采用图像级增强来增加训练样本的多样性以及将强增强和弱增强分别应用于学生网络模型和教师网络模型，提高了目标半监督分割模型的分类性能。
需要说明的是，本发明实施例一提供的目标半监督分割模型由至少两组目标网络模型对组成，对于具体包含几组不做限定。
需要说明的是，在进行监督训练时，只要确保不要同一个目标网络模型对中的教师网络模型对学生网络模型进行监督训练就可以。通俗的说，就是不可以用第一目标教师网络模型对第一目标学生网络模型进行监督训练，保证目标教师网络模型交叉监督目标学生网络模型训练。
在初始化神经网络模型时，以目标半监督分割模型包括两组目标网络模型对为例，可以采用以下技术手段进行初始化：依据第一预设权重值初始化第一初始学生网络模型，得到第一初始学生网络模型，依据第二预设权重值初始化第二初始学生网络模型，得到第二初始学生网络模型；依据第一预设权重值初始化第一初始教师网络模型，得到第一初始教师网络模型，依据第二预设权重值初始化第二初始教师网络模型，得到第二初始教师网络模型；将第一初始学生网络模型、第二初始学生网络模型、第一初始教师网络模型和第二初始教师网络模型组建为初始半监督分割模型。
协同训练方法（Co-training approach）是构造两个结构相同、初始化不同的网络模型，约束网络模型之间的输出一致的训练方法。第一初始学生网络模型和第二初始学生网络模型就是通过协同训练方法进行训练，将两个学生网络模型分别定义为Ms1和Ms2。Ms1和Ms2的网络模型结构相同，但是初始化权重值的不同分别为θs1和θs2。即上述的依据第一预设权重值初始化第一初始学生网络模型，得到第一初始学生网络模型，依据第二预设权重值初始化第二初始学生网络模型，得到第二初始学生网络模型。
平均教师网络模型可以记录历史信息来提高网络模型的性能。所以采用两个初始教师网络模型。分别记为Mt1和Mt2。初始教师网络模型的网络结构与学生网络模型的网络结构是相同的。初始教师网络模型在训练过程中不需要反向传播。由于需要通过教师网络模型对学生网络模型进行监督训练，所以通过学生网络模型的权重值对教师网络模型进行初始化，也就是上述的依据第一预设权重值初始化第一初始教师网络模型，得到第一初始教师网络模型，依据第二预设权重值初始化第二初始教师网络模型，得到第二初始教师网络模型。对神经网络模型初始化，为后续训练做准备。
在初始化神经网络模型时，以目标半监督分割模型包括三组目标网络模型对为例，包括第一初始学生网络模型、第二初始学生网络模型、第三初始学生网络模型、第一初始教师网络模型、第二初始教师网络模型和第三初始教师网络模型。通过第一预设权重值对第一初始学生网络模型和第一初始教师网络模型进行初始化，通过第二预设权重值对第二初始学生网络模型和第二初始教师网络模型进行初始化，通过第三预设权重值对第三初始学生网络模型和第三初始教师网络模型进行初始化，得到初始半监督分割模型。
如何训练得到目标半监督分割模型是至关重要的，所以在本发明实施例一提供的目标半监督分割模型的构建方法中，对依据第一弱增强训练样本集，第二弱增强训练样本和第二强增强训练样本对初始半监督分割模型进行训练，作了以下界定：依据所述第一弱增强训练样本集和所述初始网络模型对中的初始学生网络模型进行计算，得到第一目标损失函数；依据所述第二强增强训练样本集和所述初始网络模型对中的初始学生网络模型进行计算，得到第二目标损失函数；依据所述第二强增强训练样本集、所述第二弱增强训练样本集、所述初始网络模型对中的初始学生网络模型和所述初始网络模型对中的初始教师网络模型进行计算，得到第三目标损失函数；依据所述第一目标损失函数、所述第二目标损失函数和所述第三目标损失函数进行计算，得到总目标损失函数；依据所述总目标损失函数对所述初始半监督分割模型进行训练，以得到所述目标半监督分割模型。
在一可选的实施例中，以目标半监督分割模型包括两组目标网络模型对为例，通过第一弱增强训练样本集，第二弱增强训练样本和第二强增强训练样本对初始半监督分割模型进行训练包括以下步骤：依据第一弱增强训练样本集、第一初始学生网络模型和第二初始学生网络模型进行计算，得到第一目标损失函数；依据第二强增强训练样本集、第一初始学生网络模型和第二初始学生网络模型进行计算，得到第二目标损失函数；依据第二强增强训练样本集、第二弱增强训练样本集、第一初始学生网络模型、第二初始学生网络模型、第一初始教师网络模型和第二初始教师网络模型进行计算，得到第三目标损失函数；依据第一目标损失函数、第二目标损失函数和第三目标损失函数进行计算，得到总目标损失函数；依据总目标损失函数对初始半监督分割模型进行训练，以得到目标半监督分割模型。
将第一弱增强训练样本集输入初始学生网络模型，并通过真实分类标签之间的交叉熵损失进行优化，也就是上述的计算得到第一目标损失函数。
将第二强增强训练样本集输入初始学生网络模型，得到对应的伪类别标签，通过伪类别标签彼此监督训练，也就是上述的计算得到第二目标损失函数。
将第二强增强训练样本集输入初始学生网络模型和将第二弱增强训练样本集输入初始教师网络模型，通过初始教师网络模型输出的伪类别标签对初始学生网络模型监督训练，也就是上述的计算得到第三目标损失函数。
然后将第一目标损失函数、第二目标损失函数和第三目标损失函数进行叠加得到总目标损失函数，最后通过总目标损失函数对初始半监督分割模型进行训练，以得到目标半监督分割模型。
综上所述，通过上述的训练过程，提高了目标半监督分割模型的性能，进而提高了对图像分割的准确性。
对于初始教师网络模型的优化，以目标半监督分割模型包括两组目标网络模型对为例，采用以下步骤来实现：计算第一初始学生网络模型和第二初始学生网络模型的指数移动平均值，得到第一指数移动平均值和第二指数移动平均值；依据第一指数移动平均值对第一初始教师网络模型的权重进行优化，以得到第一目标教师模型；依据第二指数移动平均值对第二初始教师网络模型的权重进行优化，以得到第二目标教师模型。
具体地，初始教师网络模型在训练过程中不需要反向传播。初始教师网络模型的参数由对应的学生网络模型的指数移动平均(EMA)来更新。通过第一初始学生网络模型的第一指数移动平均值对第一初始教师网络模型的权重进行优化，通过第二初始学生网络模型的第二指数移动平均值对第二初始教师网络模型的权重进行优化。
教师网络模型可以记录历史信息来提高网络模型的性能，并且优化方式简单，提高了模型训练的效率。
在本发明实施例一提供的目标半监督分割模型的构建方法中，采用以下步骤计算得到第一目标损失函数、第二目标损失函数和第二目标损失函数：通过每组初始网络模型对中的初始学生网络模型对第一弱增强训练样本集进行处理，得到第一弱增强训练样本集中的图像数据属于每个类别标签的多个第三概率值；依据多个第三概率值和第一弱增强训练样本集中的图像数据对应的真实类别标签进行损失计算，得到第一目标损失函数。
通过每组初始网络模型对中的初始学生网络模型对第二强增强训练样本集进行处理，得到第二强增强训练样本集中的图像数据属于每个类别标签的多个第四概率值；依据每个第四概率值，计算得到第二强增强训练样本集中的图像数据对应的多个第一伪类别标签；依据多个第四概率值和多个第一伪类别标签进行计算，得到第二目标损失函数。
通过每组初始网络模型对中的初始教师网络模型对第二弱增强训练样本集进行处理，得到第二弱增强训练样本集中的图像数据对应的多个第二伪类别标签；依据多个第四概率值和多个第二伪类别标签进行计算，得到第三目标损失函数。
具体地，以目标半监督分割模型包括两组目标网络模型对为例，计算第一目标目损失函数包括：将第一弱增强训练样本集输入到第一初始学生网络模型对进行处理，得到第一弱增强训练样本集中的图像数据属于每个类别标签的概率值，通过第一初始学生网络模型对应的概率值和第一弱增强训练样本集对应的像素级的真实类别标签进行计算，得到第一交叉熵损失函数。将第一弱增强训练样本集输入到第二初始学生网络模型对进行处理，得到第一弱增强训练样本集中的图像数据属于每个类别标签的概率值，通过第二初始学生网络模型对应的概率值和第一弱增强训练样本集对应的像素集真实类别标签进行计算，得到第二交叉熵损失函数。将第一交叉熵损失函数和第二交叉熵损失函数相加得到第一目标损失函数。
计算第二目标损失函数包括：将第二强增强训练样本集输入第一初始学生网络模型进行处理，得到第二强增强训练样本集中的图像数据属于每个类别标签的概率值和第二强增强训练样本集中的图像数据对应的伪类别标签。将第二强增强训练样本集输入第二初始学生网络模型进行处理，得到第二强增强训练样本集中的图像数据属于每个类别标签的概率值和第二强增强训练样本集中的图像数据对应的伪类别标签。通过上述概率值和伪类别标签进行计算，得到第二目标损失函数。
计算第三目标损失函数包括：将第二弱增强训练样本集输入第一初始教师网络模型对进行处理，得到第二弱增强训练样本集中的图像数据对应的伪类别标签；将第二弱增强训练样本集输入第二初始教师网络模型对进行处理，得到第二弱增强训练样本集中的图像数据对应的伪类别标签；然后利用上述第一初始学生网络模型对应的概率值和第二初始教师网络模型对应的伪类别标签计算得到一致性损失函数一。利用上述的第二初始学生网络模型对应的概率值和第一初始教师网络模型对应的伪类别标签计算得到一致性损失函数二。将将一致性损失函数一和一致性损失函数二进行叠加，得到第三目标损失函数。需要说明的是，通过第一初始教师网络模型对第二初始学生网络模型进行监督训练，能够有效提高目标半监督网络模型的性能。并经实验验证，通过第一初始教师网络模型对第一初始学生网络模型，第二初始教师网络模型对第二初始学生网络模型时，可能会出现模型崩溃以及导致训练不稳定的现象。
在一可选的实施例中，以目标半监督分割模型包括三组目标网络模型对为例，计算第一目标目损失函数包括：将第一弱增强训练样本集输入到第一初始学生网络模型对进行处理，得到第一弱增强训练样本集中的图像数据属于每个类别标签的概率值，通过第一初始学生网络模型对应的概率值和第一弱增强训练样本集对应的像素级的真实类别标签进行计算，得到第一交叉熵损失函数。将第一弱增强训练样本集输入到第二初始学生网络模型对进行处理，得到第一弱增强训练样本集中的图像数据属于每个类别标签的概率值，通过第二初始学生网络模型对应的概率值和第一弱增强训练样本集对应的像素集真实类别标签进行计算，得到第二交叉熵损失函数。将第一弱增强训练样本集输入到第三初始学生网络模型对进行处理，得到第一弱增强训练样本集中的图像数据属于每个类别标签的概率值，通过第三初始学生网络模型对应的概率值和第一弱增强训练样本集对应的像素级的真实类别标签进行计算，得到第三交叉熵损失函数。将第一交叉熵损失函数、第二交叉熵损失函数和第三交叉熵损失函数相加得到第一目标损失函数。
计算第二目标损失函数包括：将第二强增强训练样本集输入第一初始学生网络模型进行处理，得到第二强增强训练样本集中的图像数据属于每个类别标签的概率值和第二强增强训练样本集中的图像数据对应的伪类别标签。将第二强增强训练样本集输入第二初始学生网络模型进行处理，得到第二强增强训练样本集中的图像数据属于每个类别标签的概率值和第二强增强训练样本集中的图像数据对应的伪类别标签。将第二强增强训练样本集输入第三初始学生网络模型进行处理，得到第二强增强训练样本集中的图像数据属于每个类别标签的概率值和第二强增强训练样本集中的图像数据对应的伪类别标签。通过上述的概率值和伪类别标签进行计算，得到第二目标损失函数。
计算第三目标损失函数包括：将第二弱增强训练样本集输入第一初始教师网络模型对进行处理，得到第二弱增强训练样本集中的图像数据对应的伪类别标签；将第二弱增强训练样本集输入第二初始教师网络模型对进行处理，得到第二弱增强训练样本集中的图像数据对应的伪类别标签；将第二弱增强训练样本集输入第三初始教师网络模型对进行处理，得到第二弱增强训练样本集中的图像数据对应的伪类别标签；然后利用上述第一初始学生网络模型对应的概率值和第二初始教师网络模型对应的伪类别标签计算得到一致性损失函数一。利用上述的第二初始学生网络模型对应的概率值和第一初始教师网络模型对应的伪类别标签计算得到一致性损失函数二。利用上述的第三初始学生网络模型对应的概率值和第一初始教师网络模型对应的伪类别标签计算得到一致性损失函数三。将将一致性损失函数一、一致性损失函数二和一致性损失函数三进行叠加，得到第三目标损失函数。
在一可选的实施例中，以目标半监督分割模型包括两组目标网络模型对为例，如 图3所示的训练过程。x u 为不带真实标签的图像数据，x l 为带真实分类标签的图像数据，经过 图像增强后分别输入Ms1和Ms2以及Mt1和Mt2中。Ms1和Ms2对于弱增强的x l 的输出为
Figure 375622DEST_PATH_IMAGE004
（即 上述的第一弱增强训练样本集中的图像数据属于每个类别标签的概率值）和
Figure 924415DEST_PATH_IMAGE005
。所以第一 交叉熵损失函数为
Figure 668249DEST_PATH_IMAGE006
，第二交叉熵损失函数为
Figure 669703DEST_PATH_IMAGE007
，其中，
Figure 665341DEST_PATH_IMAGE008
是x l 图像 数据的真实分类标签。第一交叉熵损失函数和第二交叉熵损失函数叠加得到第一目标损失 函数。
Ms1和Ms2对于强增强的x u 的输出为
Figure 68640DEST_PATH_IMAGE009
（即上述的第二强增强训练样本集中的图像 数据属于每个类别标签的概率值）和
Figure 734108DEST_PATH_IMAGE010
。因此对应的第二目标损失函数为
Figure 222858DEST_PATH_IMAGE011
。
Mt1和Mt2对于弱增强的x u 的输出为
Figure 756608DEST_PATH_IMAGE012
（即上述的第二弱增强训练样本集中的图像 数据的伪类别标签）和
Figure 14414DEST_PATH_IMAGE013
，那么对应的一致性损失函数一为
Figure 365630DEST_PATH_IMAGE014
，对应的一致 性损失函数二为
Figure 341676DEST_PATH_IMAGE015
，一致性损失函数一与一致性损失函数二叠加得到第三目 标损失函数。
综上所述，总目标损失函数可以表示为
Figure 413537DEST_PATH_IMAGE016
，其中，
Figure 791429DEST_PATH_IMAGE017
为第一 目标损失函数，
Figure 798699DEST_PATH_IMAGE018
为第二目标损失函数，
Figure 527621DEST_PATH_IMAGE019
为第三目标损失函数，α和β为预设的比重，可以 根据实际训练需求进行设置。
通过上述的损失函数能够有效提高训练效果，提高目标半监督分割模型的分类准确性。
除了进行图像增强，在本发明实施例一提供的目标半监督分割模型的构建方法中，还应用了特征增强，主要包括以下内容：通过每组初始网络模型对中的初始学生网络模型对第二强增强训练样本集中的图像数据进行特征处理，得到多个初始特征集；对每个初始特征集中的每个特征向量进行语义增强，得到多个目标特征集；依据每个目标特征集确定第二强增强训练样本集中的图像数据属于每个类别标签的多个第四概率值。
具体地，为了进一步增加学生网络训练样本的多样性，引入了特征增强，通过操纵 无限多个有意义的语义变换方向来实现。通过在空间中移动特征来改变目标语义，从而可 以在语义级别上改变图像。在现有技术中，在ISDA神经网络模型中，对每个特征fi进行M次 增广，形成一个大小为M*N的增广特征集
Figure 137594DEST_PATH_IMAGE020
，其中，
Figure 635571DEST_PATH_IMAGE021
是样本xi的增 强特征的第m个样本。基于交叉熵损失，ISDA神经网络模型可以通过最小化LM(θ)来优化
Figure 141639DEST_PATH_IMAGE022
，其中，w为神 经网络模型的权重，b为神经网络模型的偏差，C为训练样本的类别标签的个数，
Figure 13649DEST_PATH_IMAGE023
。那么，当M→∞时，最终损失的上限为
Figure 630575DEST_PATH_IMAGE024
，通过对上式分析， 发现可以将上式的最后一项
Figure 779796DEST_PATH_IMAGE025
看作为一个增强特征， 因此，可以得到通过下式实现在学生网络模型中的特征增强：
Figure 456765DEST_PATH_IMAGE026
，其中，
Figure 566804DEST_PATH_IMAGE027
为预设参数，Ps为增强后的特征，f s 为 原始特征，特征增强时需要类别信息由伪类别标签实现。
在将不带有真实分类标签的图像数据（即上述的第二强增强训练样本集中的图像数据）第一输入到初始学生网络模型时，首先通过初始学生网络模型对第二强增强训练样本集中的图像数据进行特征处理得到初始特征集；然后对初始特征集中的每个特征向量进行无限次数的语义增强，得到目标特征集；最后根据目标特征集确定第二强增强训练样本集中的图像数据属于每个类别标签的第四概率值。
通过进行特征增强，有助于增加训练样本的多样性，进而提高学生网络模型的性能。
在一可选的实施例，在PASCAL VOC 2012（数据集）和Cityscapes（数据集）两个广泛使用的图像分割数据集上进行实验来验证目标半监督分割模型（以目标半监督分割模型包括两组目标网络模型进行实验验证）的准确性。表1展示了PASCAL VOC 2012数据集的比较结果。这里的“1/n”表示使用“1/n”标记的数据集，训练集中剩余的图像用作未标记的数据集，+意味着引入了更多未标记的数据集，*表征CPS神经网络模型由U2PL神经网络模型的训练方法得到。在ResNet-50（神经网络模型）和ResNet-101（神经网络模型）基础上加上目标半监督分割模型之后，准确度提高了3.14%，4.96%、1.12%和3.63%。如表2所示，Cityscapes数据集的比较结果。目标半监督分割模型的准确度提高了5.01%、1.61%、1.81%和1.69%。
表1
Figure 721842DEST_PATH_IMAGE028
表2
Figure 991149DEST_PATH_IMAGE029
在本发明实施例一提供的图像分割方法中，通过获取待分类的目标图像数据；采用目标半监督分割模型对目标图像数据进行分割处理，以得到目标图像数据的分类结果，其中，目标半监督分割模型由至少两组目标网络模型对组成，目标网络模型对由一个目标教师网络模型和一个目标学生网络模型组成，目标网络模型对是由强增强和弱增强处理后的样本数据训练得到的，目标教师网络模型用于交叉监督目标学生网络模型训练，解决了相关技术中已有的半监督分割网络模型，由于在进行训练时，只考虑到网络扰动，导致在对图像数据分类时的准确度比较低的技术问题。目标半监督分割模型由至少两组目标网络模型对组成，目标网络模型对由一个目标教师网络模型和一个目标学生网络模型组成，并且通过强增强和弱增强的方式增强训练样本的多样性。通过上述的方式提高了目标半监督分割模型的性能，使得目标半监督分割模型能够准确地对目标图像数据进行分类，进而达到了提高对图像数据分类时的准确度的效果。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的图像分割的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，或者网络设备等）执行本发明各个实施例的方法。
实施例2
本申请还提供了如图4所示的遥感图像分割方法。图4是根据本发明实施例二的遥感图像分割方法的流程图。在该实施例中，通过目标数据分类模型对遥感图像数据进行分类，主要包括以下内容：
步骤S401，获取待分类的遥感图像数据。
步骤S402，采用目标半监督分割模型对遥感图像数据进行分割处理，以得到遥感图像数据的分类结果，其中，目标半监督分割模型由至少两组目标网络模型对组成，目标网络监督模型对由一个目标教师网络模型和一个目标学生网络模型组成，目标网络监督模型对是由强增强和弱增强处理后的样本数据训练得到的，目标教师网络模型用于交叉监督目标学生网络模型训练。
遥感能迅速及时地获取大量客观的地理信息，客观实时地反映出地表景观的实况。遥感已成为地理研究的重要信息来源，所以对遥感图像进行准确分类是至关重要的。
在一可选的实施例中，获取遥感图像数据，并将遥感图像数据输入到目标半监督分割模型中，通过目标半监督分割模型得到上述遥感图像数据的分类结果，例如，确定遥感图像数据中是否包含光伏电厂、是否包含水利区域以及是否包含发电站等。
通过目标半监督分割模型能够准确得到遥感图像数据包含的数据信息对应的类别信息。
在采用目标数据分类模型对遥感图像数据进行分割处理，以得到遥感图像数据的分类结果之后，采用以下步骤通过目标数据分类模型输出的分类结果和上述的遥感图像数据对应的标准结果对目标数据分类模型进行优化：在目标界面展示遥感图像数据的分类结果；若检测到对分类结果的调整指令，则响应调整指令对分类结果进行调整，得到调整后的分类结果；依据调整后的分类结果优化目标半监督分割模型。
在一可选的实施例中，通过目标数据分类模型确定遥感图像数据中是否包含水利区域，如果在遥感图像数据中是包含水利区域，而目标半监督分割模型输出的分类结果指示不包括水利区域，那么对分类结果进行修改，并通过修改后的分类结果对目标数据分类模型进行优化。如果在遥感图像数据中是不包含水利区域的，而目标半监督分割模型输出的分类结果指示包含水利区域，那么对分类结果进行修改，并通过修改后的分类结果对目标半监督分割模型进行优化，提高目标半监督分割模型的性能。
需要说明的是，在本发明实施例二提供的图像分割的方法中，在对遥感图像数据进行分类识别时不限定只能通过目标半监督分割模型确定是否存在水利区域，还可以通过目标半监督分割模型确定遥感图像数据中其他对象的类别，例如，具体的各种气象信息、自然资源和生态环境信息以及农林业等等相关数据信息的类别，在本申请中不作限定。
通过目标半监督分割模型对遥感图像数据的处理工作的具体方法与实施例一中的方法相同，在此不再赘述。
综上，本发明实施例二提供的遥感图像分割方法中，通过获取待分类的遥感图像数据；采用目标半监督分割模型对遥感图像数据进行分割处理，以得到遥感图像数据的分类结果，解决了相关技术中已有的半监督分割网络模型，由于在进行训练时，只考虑到网络扰动，导致在对图像数据分类时的准确度比较低的技术问题。通过上述的方式提高了目标半监督分割模型的性能，使得目标半监督分割模型能够准确地对目标图像数据进行分类，进而达到了提高对图像数据分类时的准确度的效果。
实施例3
根据本发明实施例，根据本发明实施例，还提供了一种用于实施例一的图像分割方法的装置，如图5所示，该装置包括：第一获取单元501和第一处理单元502。
第一获取单元501，用于获取待分类的目标图像数据。
第一处理单元502，用于采用目标半监督分割模型对目标图像数据进行分割处理，以得到目标图像数据的分类结果，其中，目标半监督分割模型由至少两组目标网络模型对组成，目标网络监督模型对由一个目标教师网络模型和一个目标学生网络模型组成，目标网络监督模型对是由强增强和弱增强处理后的样本数据训练得到的，目标教师网络模型用于交叉监督目标学生网络模型训练。
在本发明实施例三提供的图像分割装置中，通过第一获取单元501获取待分类的目标图像数据；第一处理单元502采用目标半监督分割模型对目标图像数据进行分割处理，以得到目标图像数据的分类结果，目标半监督分割模型由至少两组目标网络模型对组成，目标网络监督模型对由一个目标教师网络模型和一个目标学生网络模型组成，目标网络监督模型对是由强增强和弱增强处理后的样本数据训练得到的，目标教师网络模型用于交叉监督目标学生网络模型训练，解决了相关技术中已有的半监督分割网络模型，由于在进行训练时，只考虑到网络扰动，导致在对图像数据分类时的准确度比较低的技术问题。通过上述的方式提高了目标半监督分割模型的性能，使得目标半监督分割模型能够准确地对目标图像数据进行分类，进而达到了提高对图像数据分类时的准确度的效果。
可选地，在本发明实施例三提供的图像分割装置中，第一处理单元502包括：处理子单元，用于通过目标半监督分割模型中的至少一个网络模型对目标图像数据进行分割处理，以得到目标图像数据的分类结果。
可选地，在本发明实施例三提供的图像分割装置中，处理子单元包括：第一提取模块，用于通过目标半监督分割模型中的一个网络模型对目标图像数据进行分割，并对分割后的目标图像数据进行特征提取，得到多个第一目标特征向量；第一计算模块，用于依据多个第一目标特征向量，计算得到目标图像数据属于每个类别标签的第一概率值；第一确定模块，用于依据第一概率值，得到目标图像数据的分类结果。
可选地，在本发明实施例三提供的图像分割装置中，处理子单元包括：分割模块，用于通过目标半监督分割模型中的每个网络模型对目标图像数据进行分割，得到多个分割后的目标图像数据；第二提取模块，用于对每个分割后的目标图像数据进行特征提取，得到多个第二目标特征向量；第二计算模块，用于依据每个第二目标特征向量，计算得到目标图像数据属于每个类别标签的多个第二概率值；第二确定模块，用于依据多个第二概率值，得到目标图像数据的分类结果。
可选地，在本发明实施例三提供的图像分割装置中，目标半监督分割模型通过以下方式训练得到：第二获取单元，用于获取第一初始训练样本集和第二初始训练样本集，其中，第一初始训练样本集由含有真实类别标签的多个图像数据组成，第二初始训练样本集由不含真实类别标签的多个图像数据组成，第一初始训练样本集的样本数量少于第二初始训练样本集的样本数量；第二处理单元，用于对第一初始训练样本集进行图像增强处理，得到第一弱增强训练样本集，并对第二初始训练样本集进行图像增强处理，得到第二弱增强训练样本和第二强增强训练样本；初始化单元，用于对神经网络模型进行初始化，得到初始半监督分割模型，其中，初始半监督分割模型由至少两组初始网络模型对组成，初始网络模型对由一个初始学生网络模型和一个初始教师网络模型组成；训练单元，用于依据第一弱增强训练样本集，第二弱增强训练样本和第二强增强训练样本对初始半监督分割模型进行训练，以得到目标半监督分割模型。
可选地，在本发明实施例三提供的图像分割装置中，训练单元包括：第一计算子单元，用于依据第一弱增强训练样本集和初始网络模型对中的初始学生网络模型进行计算，得到第一目标损失函数；第二计算子单元，用于依据第二强增强训练样本集和初始网络模型对中的初始学生网络模型进行计算，得到第二目标损失函数；第三计算子单元，用于依据第二强增强训练样本集、第二弱增强训练样本集、初始网络模型对中的初始学生网络模型和初始网络模型对中的初始教师网络模型进行计算，得到第三目标损失函数；第四计算子单元，用于依据第一目标损失函数、第二目标损失函数和第三目标损失函数进行计算，得到总目标损失函数；训练子单元，用于依据总目标损失函数对初始半监督分割模型进行训练，以得到目标半监督分割模型。
可选地，在本发明实施例三提供的图像分割装置中，第一计算子单元包括：第一处理模块，用于通过每组初始网络模型对中的初始学生网络模型对第一弱增强训练样本集进行处理，得到第一弱增强训练样本集中的图像数据属于每个类别标签的多个第三概率值；第三计算模块，用于依据多个第三概率值和第一弱增强训练样本集中的图像数据对应的真实类别标签进行损失计算，得到第一目标损失函数。
可选地，在本发明实施例三提供的图像分割装置中，第二计算子单元包括：第二处理模块，用于通过每组初始网络模型对中的初始学生网络模型对第二强增强训练样本集进行处理，得到第二强增强训练样本集中的图像数据属于每个类别标签的多个第四概率值；第四计算模块，用于依据每个第四概率值，计算得到第二强增强训练样本集中的图像数据对应的多个第一伪类别标签；第五计算模块，用于依据多个第四概率值和多个第一伪类别标签进行计算，得到第二目标损失函数。
可选地，在本发明实施例三提供的图像分割装置中，第二处理模块包括：处理子模块，用于通过每组初始网络模型对中的初始学生网络模型对第二强增强训练样本集中的图像数据进行特征处理，得到多个初始特征集；增强子模块，用于对每个初始特征集中的每个特征向量进行语义增强，得到多个目标特征集；确定子模块，用于依据每个目标特征集确定第二强增强训练样本集中的图像数据属于每个类别标签的多个第四概率值。
可选地，在本发明实施例三提供的图像分割装置中，第三计算子单元包括：第三处理模块，用于通过每组初始网络模型对中的初始教师网络模型对第二弱增强训练样本集进行处理，得到第二弱增强训练样本集中的图像数据对应的多个第二伪类别标签；第六计算模块，用于依据多个第四概率值和多个第二伪类别标签进行计算，得到第三目标损失函数。
此处需要说明的是，上述的第一获取单元501和第一处理单元502对应于实施例1中的步骤S201至步骤S202，两个单元与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述单元作为装置的一部分可以运行在实施例一提供的计算机终端10中。
实施例4
根据本发明实施例，还提供了一种用于实施例二的遥感图像分割方法的装置，如图6所示，该装置包括：第二获取单元601和第二处理单元602。
第二获取单元601，用于获取待分类的遥感图像数据。
第二处理单元602，用于采用目标半监督分割模型对遥感图像数据进行分割处理，以得到遥感图像数据的分类结果，其中，目标半监督分割模型由至少两组目标网络模型对组成，目标网络监督模型对由一个目标教师网络模型和一个目标学生网络模型组成，目标网络监督模型对是由强增强和弱增强处理后的样本数据训练得到的，目标教师网络模型用于交叉监督目标学生网络模型训练。
可选地，在本发明实施例四提供的遥感图像分割装置中，该装置还包括：展示单元，用于在采用目标半监督分割模型对遥感图像数据进行分割处理，以得到遥感图像数据的分类结果之后，在目标界面展示遥感图像数据的分类结果；调整单元，用于若检测到对分类结果的调整指令，则响应调整指令对分类结果进行调整，得到调整后的分类结果；优化单元，用于依据调整后的分类结果优化目标半监督分割模型。
此处需要说明的是，上述的第二获取单元601和第二处理单元602对应于实施例二中的步骤S301至步骤S302，两个单元与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述单元作为装置的一部分可以运行在实施例一提供的计算机终端10中。
实施例5
本发明的实施例可以提供一种图像分割的系统，该系统包括：处理器；以及存储器，与处理器连接，用于为处理器提供处理以下处理步骤的指令：获取待分类的目标图像数据；采用目标半监督分割模型对目标图像数据进行分割处理，以得到目标图像数据的分类结果，目标半监督分割模型由至少两组目标网络模型对组成，目标网络监督模型对由一个目标教师网络模型和一个目标学生网络模型组成，目标网络监督模型对是由强增强和弱增强处理后的样本数据训练得到的，目标教师网络模型用于交叉监督目标学生网络模型训练。
上述的图像分割的系统还可以用来执行图像分割的方法中的以下步骤：获取待分类的目标图像数据；采用目标半监督分割模型对目标图像数据进行分割处理，以得到目标图像数据的分类结果，其中，目标半监督分割模型由至少两组目标网络模型对组成，目标网络监督模型对由一个目标教师网络模型和一个目标学生网络模型组成，目标网络监督模型对是由强增强和弱增强处理后的样本数据训练得到的，目标教师网络模型用于交叉监督目标学生网络模型训练。
上述的图像分割的系统还可以用来执行图像分割的方法中的以下步骤：采用目标半监督分割模型对目标图像数据进行分割处理，以得到目标图像数据的分类结果包括：通过目标半监督分割模型中的至少一个网络模型对目标图像数据进行分割处理，以得到目标图像数据的分类结果。
上述的图像分割的系统还可以用来执行图像分割的方法中的以下步骤：通过目标半监督分割模型中的一个网络模型对目标图像数据进行分割处理，以得到目标图像数据的分类结果包括：通过目标半监督分割模型中的一个网络模型对目标图像数据进行分割，并对分割后的目标图像数据进行特征提取，得到多个第一目标特征向量；依据多个第一目标特征向量，计算得到目标图像数据属于每个类别标签的第一概率值；依据第一概率值，得到目标图像数据的分类结果。
上述的图像分割的系统还可以用来执行图像分割的方法中的以下步骤：通过目标半监督分割模型中的多个网络模型对目标图像数据进行分割处理，以得到目标图像数据的分类结果包括：通过目标半监督分割模型中的每个网络模型对目标图像数据进行分割，得到多个分割后的目标图像数据；对每个分割后的目标图像数据进行特征提取，得到多个第二目标特征向量；依据每个第二目标特征向量，计算得到目标图像数据属于每个类别标签的多个第二概率值；依据多个第二概率值，得到目标图像数据的分类结果。
上述的图像分割的系统还可以用来执行图像分割的方法中的以下步骤：目标半监督分割模型通过以下方式训练得到：获取第一初始训练样本集和第二初始训练样本集，其中，第一初始训练样本集由含有真实类别标签的多个图像数据组成，第二初始训练样本集由不含真实类别标签的多个图像数据组成，第一初始训练样本集的样本数量少于第二初始训练样本集的样本数量；对第一初始训练样本集进行图像增强处理，得到第一弱增强训练样本集，并对第二初始训练样本集进行图像增强处理，得到第二弱增强训练样本和第二强增强训练样本；对神经网络模型进行初始化，得到初始半监督分割模型，其中，初始半监督分割模型由至少两组初始网络模型对组成，初始网络模型对由一个初始学生网络模型和一个初始教师网络模型组成；依据第一弱增强训练样本集，第二弱增强训练样本和第二强增强训练样本对初始半监督分割模型进行训练，以得到目标半监督分割模型。
上述的图像分割的系统还可以用来执行图像分割的方法中的以下步骤：依据第一弱增强训练样本集，第二弱增强训练样本和第二强增强训练样本对初始半监督分割模型进行训练，以得到目标半监督分割模型包括：依据第一弱增强训练样本集和初始网络模型对中的初始学生网络模型进行计算，得到第一目标损失函数；依据第二强增强训练样本集和初始网络模型对中的初始学生网络模型进行计算，得到第二目标损失函数；依据第二强增强训练样本集、第二弱增强训练样本集、初始网络模型对中的初始学生网络模型和初始网络模型对中的初始教师网络模型进行计算，得到第三目标损失函数；依据第一目标损失函数、第二目标损失函数和第三目标损失函数进行计算，得到总目标损失函数；依据总目标损失函数对初始半监督分割模型进行训练，以得到目标半监督分割模型。
上述的图像分割的系统还可以用来执行图像分割的方法中的以下步骤：依据第一弱增强训练样本集和初始网络模型对中的初始学生网络模型进行计算，得到第一目标损失函数包括：通过每组初始网络模型对中的初始学生网络模型对第一弱增强训练样本集进行处理，得到第一弱增强训练样本集中的图像数据属于每个类别标签的多个第三概率值；依据多个第三概率值和第一弱增强训练样本集中的图像数据对应的真实类别标签进行损失计算，得到第一目标损失函数。
上述的图像分割的系统还可以用来执行图像分割的方法中的以下步骤：依据第二强增强训练样本集和初始网络模型对中的初始学生网络模型进行计算，得到第二目标损失函数包括：通过每组初始网络模型对中的初始学生网络模型对第二强增强训练样本集进行处理，得到第二强增强训练样本集中的图像数据属于每个类别标签的多个第四概率值；依据每个第四概率值，计算得到第二强增强训练样本集中的图像数据对应的多个第一伪类别标签；依据多个第四概率值和多个第一伪类别标签进行计算，得到第二目标损失函数。
上述的图像分割的系统还可以用来执行图像分割的方法中的以下步骤：通过每组初始网络模型对中的初始学生网络模型对第二强增强训练样本集进行处理，得到第二强增强训练样本集中的图像数据属于每个类别标签的多个第四概率值包括：通过每组初始网络模型对中的初始学生网络模型对第二强增强训练样本集中的图像数据进行特征处理，得到多个初始特征集；对每个初始特征集中的每个特征向量进行语义增强，得到多个目标特征集；依据每个目标特征集确定第二强增强训练样本集中的图像数据属于每个类别标签的多个第四概率值。
上述的图像分割的系统还可以用来执行图像分割的方法中的以下步骤：依据第二强增强训练样本集、第二弱增强训练样本集、初始网络模型对中的初始学生网络模型和初始网络模型对中的初始教师网络模型进行计算，得到第三目标损失函数包括：通过每组初始网络模型对中的初始教师网络模型对第二弱增强训练样本集进行处理，得到第二弱增强训练样本集中的图像数据对应的多个第二伪类别标签；依据多个第四概率值和多个第二伪类别标签进行计算，得到第三目标损失函数。
可选地，图7是根据本发明实施例的一种图像分割的系统的结构框图。如图7所示，该图像分割的系统可以包括：一个或多个（图7中仅示出一个）处理器、存储器。
其中，存储器可用于存储软件程序以及模块，如本发明实施例中的图像分割的方法和装置对应的程序指令/模块，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的图像分割的方法。存储器可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至图像分割的系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：获取待分类的目标图像数据；采用目标半监督分割模型对目标图像数据进行分割处理，以得到目标图像数据的分类结果，其中，目标半监督分割模型由至少两组目标网络模型对组成，目标网络监督模型对由一个目标教师网络模型和一个目标学生网络模型组成，目标网络监督模型对是由强增强和弱增强处理后的样本数据训练得到的，目标教师网络模型用于交叉监督目标学生网络模型训练。
上述处理器还可以执行如下步骤的程序代码：获取待分类的目标图像数据；采用目标半监督分割模型对目标图像数据进行分割处理，以得到目标图像数据的分类结果，其中，目标半监督分割模型由至少两组目标网络模型对组成，目标网络监督模型对由一个目标教师网络模型和一个目标学生网络模型组成，目标网络监督模型对是由强增强和弱增强处理后的样本数据训练得到的，目标教师网络模型用于交叉监督目标学生网络模型训练。
上述处理器还可以执行如下步骤的程序代码：采用目标半监督分割模型对目标图像数据进行分割处理，以得到目标图像数据的分类结果包括：通过目标半监督分割模型中的至少一个网络模型对目标图像数据进行分割处理，以得到目标图像数据的分类结果。
上述处理器还可以执行如下步骤的程序代码：通过目标半监督分割模型中的一个网络模型对目标图像数据进行分割处理，以得到目标图像数据的分类结果包括：通过目标半监督分割模型中的一个网络模型对目标图像数据进行分割，并对分割后的目标图像数据进行特征提取，得到多个第一目标特征向量；依据多个第一目标特征向量，计算得到目标图像数据属于每个类别标签的第一概率值；依据第一概率值，得到目标图像数据的分类结果。
上述处理器还可以执行如下步骤的程序代码：通过目标半监督分割模型中的多个网络模型对目标图像数据进行分割处理，以得到目标图像数据的分类结果包括：通过目标半监督分割模型中的每个网络模型对目标图像数据进行分割，得到多个分割后的目标图像数据；对每个分割后的目标图像数据进行特征提取，得到多个第二目标特征向量；依据每个第二目标特征向量，计算得到目标图像数据属于每个类别标签的多个第二概率值；依据多个第二概率值，得到目标图像数据的分类结果。
上述处理器还可以执行如下步骤的程序代码：目标半监督分割模型通过以下方式训练得到：获取第一初始训练样本集和第二初始训练样本集，其中，第一初始训练样本集由含有真实类别标签的多个图像数据组成，第二初始训练样本集由不含真实类别标签的多个图像数据组成，第一初始训练样本集的样本数量少于第二初始训练样本集的样本数量；对第一初始训练样本集进行图像增强处理，得到第一弱增强训练样本集，并对第二初始训练样本集进行图像增强处理，得到第二弱增强训练样本和第二强增强训练样本；对神经网络模型进行初始化，得到初始半监督分割模型，其中，初始半监督分割模型由至少两组初始网络模型对组成，初始网络模型对由一个初始学生网络模型和一个初始教师网络模型组成；依据第一弱增强训练样本集，第二弱增强训练样本和第二强增强训练样本对初始半监督分割模型进行训练，以得到目标半监督分割模型。
上述处理器还可以执行如下步骤的程序代码：依据第一弱增强训练样本集，第二弱增强训练样本和第二强增强训练样本对初始半监督分割模型进行训练，以得到目标半监督分割模型包括：依据第一弱增强训练样本集和初始网络模型对中的初始学生网络模型进行计算，得到第一目标损失函数；依据第二强增强训练样本集和初始网络模型对中的初始学生网络模型进行计算，得到第二目标损失函数；依据第二强增强训练样本集、第二弱增强训练样本集、初始网络模型对中的初始学生网络模型和初始网络模型对中的初始教师网络模型进行计算，得到第三目标损失函数；依据第一目标损失函数、第二目标损失函数和第三目标损失函数进行计算，得到总目标损失函数；依据总目标损失函数对初始半监督分割模型进行训练，以得到目标半监督分割模型。
上述处理器还可以执行如下步骤的程序代码：依据第一弱增强训练样本集和初始网络模型对中的初始学生网络模型进行计算，得到第一目标损失函数包括：通过每组初始网络模型对中的初始学生网络模型对第一弱增强训练样本集进行处理，得到第一弱增强训练样本集中的图像数据属于每个类别标签的多个第三概率值；依据多个第三概率值和第一弱增强训练样本集中的图像数据对应的真实类别标签进行损失计算，得到第一目标损失函数。
上述处理器还可以执行如下步骤的程序代码：依据第二强增强训练样本集和初始网络模型对中的初始学生网络模型进行计算，得到第二目标损失函数包括：通过每组初始网络模型对中的初始学生网络模型对第二强增强训练样本集进行处理，得到第二强增强训练样本集中的图像数据属于每个类别标签的多个第四概率值；依据每个第四概率值，计算得到第二强增强训练样本集中的图像数据对应的多个第一伪类别标签；依据多个第四概率值和多个第一伪类别标签进行计算，得到第二目标损失函数。
上述处理器还可以执行如下步骤的程序代码：通过每组初始网络模型对中的初始学生网络模型对第二强增强训练样本集进行处理，得到第二强增强训练样本集中的图像数据属于每个类别标签的多个第四概率值包括：通过每组初始网络模型对中的初始学生网络模型对第二强增强训练样本集中的图像数据进行特征处理，得到多个初始特征集；对每个初始特征集中的每个特征向量进行语义增强，得到多个目标特征集；依据每个目标特征集确定第二强增强训练样本集中的图像数据属于每个类别标签的多个第四概率值。
上述处理器还可以执行如下步骤的程序代码：依据第二强增强训练样本集、第二弱增强训练样本集、初始网络模型对中的初始学生网络模型和初始网络模型对中的初始教师网络模型进行计算，得到第三目标损失函数包括：通过每组初始网络模型对中的初始教师网络模型对第二弱增强训练样本集进行处理，得到第二弱增强训练样本集中的图像数据对应的多个第二伪类别标签；依据多个第四概率值和多个第二伪类别标签进行计算，得到第三目标损失函数。
本领域普通技术人员可以理解，图7所示的结构仅为示意，图像分割的系统也可以是智能手机（如Android手机、iOS手机等）、平板电脑、掌声电脑以及移动互联网设备（Mobile Internet Devices，MID）、PAD等终端设备。图7其并不对上述电子装置的结构造成限定。例如，图像分割的系统还可包括比图7中所示更多或者更少的组件（如网络接口、显示装置等），或者具有与图7所示不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器（Read-Only Memory，ROM）、随机存取器（RandomAccess Memory，RAM）、磁盘或光盘等。
本发明的实施例还提供了一种计算机可读存储介质。可选地，在本实施例中，上述存储介质可以用于保存上述实施例所提供的图像分割的方法所执行的程序代码。
可选地，在本实施例中，上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：获取待分类的目标图像数据；采用目标半监督分割模型对目标图像数据进行分割处理，以得到目标图像数据的分类结果，目标半监督分割模型由至少两组目标网络模型对组成，目标网络监督模型对由一个目标教师网络模型和一个目标学生网络模型组成，目标网络监督模型对是由强增强和弱增强处理后的样本数据训练得到的，目标教师网络模型用于交叉监督目标学生网络模型训练。
上述存储介质被设置为存储用于执行以下步骤的程序代码：获取待分类的目标图像数据；采用目标半监督分割模型对目标图像数据进行分割处理，以得到目标图像数据的分类结果，其中，目标半监督分割模型由至少两组目标网络模型对组成，目标网络监督模型对由一个目标教师网络模型和一个目标学生网络模型组成，目标网络监督模型对是由强增强和弱增强处理后的样本数据训练得到的，目标教师网络模型用于交叉监督目标学生网络模型训练。
上述存储介质被设置为存储用于执行以下步骤的程序代码：采用目标半监督分割模型对目标图像数据进行分割处理，以得到目标图像数据的分类结果包括：通过目标半监督分割模型中的至少一个网络模型对目标图像数据进行分割处理，以得到目标图像数据的分类结果。
上述存储介质被设置为存储用于执行以下步骤的程序代码：通过目标半监督分割模型中的一个网络模型对目标图像数据进行分割处理，以得到目标图像数据的分类结果包括：通过目标半监督分割模型中的一个网络模型对目标图像数据进行分割，并对分割后的目标图像数据进行特征提取，得到多个第一目标特征向量；依据多个第一目标特征向量，计算得到目标图像数据属于每个类别标签的第一概率值；依据第一概率值，得到目标图像数据的分类结果。
上述存储介质被设置为存储用于执行以下步骤的程序代码：通过目标半监督分割模型中的多个网络模型对目标图像数据进行分割处理，以得到目标图像数据的分类结果包括：通过目标半监督分割模型中的每个网络模型对目标图像数据进行分割，得到多个分割后的目标图像数据；对每个分割后的目标图像数据进行特征提取，得到多个第二目标特征向量；依据每个第二目标特征向量，计算得到目标图像数据属于每个类别标签的多个第二概率值；依据多个第二概率值，得到目标图像数据的分类结果。
上述存储介质被设置为存储用于执行以下步骤的程序代码：目标半监督分割模型通过以下方式训练得到：获取第一初始训练样本集和第二初始训练样本集，其中，第一初始训练样本集由含有真实类别标签的多个图像数据组成，第二初始训练样本集由不含真实类别标签的多个图像数据组成，第一初始训练样本集的样本数量少于第二初始训练样本集的样本数量；对第一初始训练样本集进行图像增强处理，得到第一弱增强训练样本集，并对第二初始训练样本集进行图像增强处理，得到第二弱增强训练样本和第二强增强训练样本；对神经网络模型进行初始化，得到初始半监督分割模型，其中，初始半监督分割模型由至少两组初始网络模型对组成，初始网络模型对由一个初始学生网络模型和一个初始教师网络模型组成；依据第一弱增强训练样本集，第二弱增强训练样本和第二强增强训练样本对初始半监督分割模型进行训练，以得到目标半监督分割模型。
上述存储介质被设置为存储用于执行以下步骤的程序代码：依据第一弱增强训练样本集，第二弱增强训练样本和第二强增强训练样本对初始半监督分割模型进行训练，以得到目标半监督分割模型包括：依据第一弱增强训练样本集和初始网络模型对中的初始学生网络模型进行计算，得到第一目标损失函数；依据第二强增强训练样本集和初始网络模型对中的初始学生网络模型进行计算，得到第二目标损失函数；依据第二强增强训练样本集、第二弱增强训练样本集、初始网络模型对中的初始学生网络模型和初始网络模型对中的初始教师网络模型进行计算，得到第三目标损失函数；依据第一目标损失函数、第二目标损失函数和第三目标损失函数进行计算，得到总目标损失函数；依据总目标损失函数对初始半监督分割模型进行训练，以得到目标半监督分割模型。
上述存储介质被设置为存储用于执行以下步骤的程序代码：依据第一弱增强训练样本集和初始网络模型对中的初始学生网络模型进行计算，得到第一目标损失函数包括：通过每组初始网络模型对中的初始学生网络模型对第一弱增强训练样本集进行处理，得到第一弱增强训练样本集中的图像数据属于每个类别标签的多个第三概率值；依据多个第三概率值和第一弱增强训练样本集中的图像数据对应的真实类别标签进行损失计算，得到第一目标损失函数。
上述存储介质被设置为存储用于执行以下步骤的程序代码：依据第二强增强训练样本集和初始网络模型对中的初始学生网络模型进行计算，得到第二目标损失函数包括：通过每组初始网络模型对中的初始学生网络模型对第二强增强训练样本集进行处理，得到第二强增强训练样本集中的图像数据属于每个类别标签的多个第四概率值；依据每个第四概率值，计算得到第二强增强训练样本集中的图像数据对应的多个第一伪类别标签；依据多个第四概率值和多个第一伪类别标签进行计算，得到第二目标损失函数。
上述存储介质被设置为存储用于执行以下步骤的程序代码：通过每组初始网络模型对中的初始学生网络模型对第二强增强训练样本集进行处理，得到第二强增强训练样本集中的图像数据属于每个类别标签的多个第四概率值包括：通过每组初始网络模型对中的初始学生网络模型对第二强增强训练样本集中的图像数据进行特征处理，得到多个初始特征集；对每个初始特征集中的每个特征向量进行语义增强，得到多个目标特征集；依据每个目标特征集确定第二强增强训练样本集中的图像数据属于每个类别标签的多个第四概率值。
上述存储介质被设置为存储用于执行以下步骤的程序代码：依据第二强增强训练样本集、第二弱增强训练样本集、初始网络模型对中的初始学生网络模型和初始网络模型对中的初始教师网络模型进行计算，得到第三目标损失函数包括：通过每组初始网络模型对中的初始教师网络模型对第二弱增强训练样本集进行处理，得到第二弱增强训练样本集中的图像数据对应的多个第二伪类别标签；依据多个第四概率值和多个第二伪类别标签进行计算，得到第三目标损失函数。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (13)

1.一种图像分割方法，其特征在于，包括：
获取待分类的目标图像数据；
采用目标半监督分割模型对所述目标图像数据进行分割处理，以得到所述目标图像数据的分类结果，其中，所述目标半监督分割模型由至少两组目标网络模型对组成，所述目标网络模型对由一个目标教师网络模型和一个目标学生网络模型组成，所述目标网络模型对是由强增强和弱增强处理后的样本数据训练得到的，所述目标教师网络模型用于交叉监督所述目标学生网络模型训练。
2.根据权利要求1所述的方法，其特征在于，采用目标半监督分割模型对所述目标图像数据进行分割处理，以得到所述目标图像数据的分类结果包括：
通过所述目标半监督分割模型中的至少一个网络模型对所述目标图像数据进行分割处理，以得到所述目标图像数据的分类结果。
3.根据权利要求2所述的方法，其特征在于，通过所述目标半监督分割模型中的一个网络模型对所述目标图像数据进行分割处理，以得到所述目标图像数据的分类结果包括：
通过所述目标半监督分割模型中的一个网络模型对所述目标图像数据进行分割，并对分割后的目标图像数据进行特征提取，得到多个第一目标特征向量；
依据所述多个第一目标特征向量，计算得到所述目标图像数据属于每个类别标签的第一概率值；
依据所述第一概率值，得到所述目标图像数据的分类结果。
4.根据权利要求2所述的方法，其特征在于，通过所述目标半监督分割模型中的多个网络模型对所述目标图像数据进行分割处理，以得到所述目标图像数据的分类结果包括：
通过所述目标半监督分割模型中的每个网络模型对所述目标图像数据进行分割，得到多个分割后的目标图像数据；
对每个分割后的目标图像数据进行特征提取，得到多个第二目标特征向量；
依据每个第二目标特征向量，计算得到所述目标图像数据属于每个类别标签的多个第二概率值；
依据所述多个第二概率值，得到所述目标图像数据的分类结果。
5.根据权利要求1所述的方法，其特征在于，所述目标半监督分割模型通过以下方式训练得到：
获取第一初始训练样本集和第二初始训练样本集，其中，所述第一初始训练样本集由含有真实类别标签的多个图像数据组成，所述第二初始训练样本集由不含真实类别标签的多个图像数据组成，所述第一初始训练样本集的样本数量少于所述第二初始训练样本集的样本数量；
对所述第一初始训练样本集进行图像增强处理，得到第一弱增强训练样本集，并对所述第二初始训练样本集进行图像增强处理，得到第二弱增强训练样本和第二强增强训练样本；
对神经网络模型进行初始化，得到初始半监督分割模型，其中，所述初始半监督分割模型由至少两组初始网络模型对组成，所述初始网络模型对由一个初始学生网络模型和一个初始教师网络模型组成；
依据所述第一弱增强训练样本集，所述第二弱增强训练样本和所述第二强增强训练样本对所述初始半监督分割模型进行训练，以得到所述目标半监督分割模型。
6.根据权利要求5所述的方法，其特征在于，依据所述第一弱增强训练样本集，所述第二弱增强训练样本和所述第二强增强训练样本对所述初始半监督分割模型进行训练，以得到所述目标半监督分割模型包括：
依据所述第一弱增强训练样本集和所述初始网络模型对中的初始学生网络模型进行计算，得到第一目标损失函数；
依据所述第二强增强训练样本集和所述初始网络模型对中的初始学生网络模型进行计算，得到第二目标损失函数；
依据所述第二强增强训练样本集、所述第二弱增强训练样本集、所述初始网络模型对中的初始学生网络模型和所述初始网络模型对中的初始教师网络模型进行计算，得到第三目标损失函数；
依据所述第一目标损失函数、所述第二目标损失函数和所述第三目标损失函数进行计算，得到总目标损失函数；
依据所述总目标损失函数对所述初始半监督分割模型进行训练，以得到所述目标半监督分割模型。
7.根据权利要求6所述的方法，其特征在于，依据所述第一弱增强训练样本集和所述初始网络模型对中的初始学生网络模型进行计算，得到第一目标损失函数包括：
通过每组初始网络模型对中的初始学生网络模型对所述第一弱增强训练样本集进行处理，得到所述第一弱增强训练样本集中的图像数据属于每个类别标签的多个第三概率值；
依据所述多个第三概率值和所述第一弱增强训练样本集中的图像数据对应的真实类别标签进行损失计算，得到所述第一目标损失函数。
8.根据权利要求6所述的方法，其特征在于，依据所述第二强增强训练样本集和所述初始网络模型对中的初始学生网络模型进行计算，得到第二目标损失函数包括：
通过每组初始网络模型对中的初始学生网络模型对所述第二强增强训练样本集进行处理，得到所述第二强增强训练样本集中的图像数据属于每个类别标签的多个第四概率值；
依据每个第四概率值，计算得到所述第二强增强训练样本集中的图像数据对应的多个第一伪类别标签；
依据所述多个第四概率值和所述多个第一伪类别标签进行计算，得到所述第二目标损失函数。
9.根据权利要求8所述的方法，其特征在于，通过每组初始网络模型对中的初始学生网络模型对所述第二强增强训练样本集进行处理，得到所述第二强增强训练样本集中的图像数据属于每个类别标签的多个第四概率值包括：
通过所述每组初始网络模型对中的初始学生网络模型对所述第二强增强训练样本集中的图像数据进行特征处理，得到多个初始特征集；
对每个初始特征集中的每个特征向量进行语义增强，得到多个目标特征集；
依据每个目标特征集确定所述第二强增强训练样本集中的图像数据属于每个类别标签的多个第四概率值。
10.根据权利要求8所述的方法，其特征在于，依据所述第二强增强训练样本集、所述第二弱增强训练样本集、所述初始网络模型对中的初始学生网络模型和所述初始网络模型对中的初始教师网络模型进行计算，得到第三目标损失函数包括：
通过每组初始网络模型对中的初始教师网络模型对所述第二弱增强训练样本集进行处理，得到所述第二弱增强训练样本集中的图像数据对应的多个第二伪类别标签；
依据所述多个第四概率值和所述多个第二伪类别标签进行计算，得到所述第三目标损失函数。
11.一种遥感图像分割方法，其特征在于，包括：
获取待分类的遥感图像数据；
采用目标半监督分割模型对所述遥感图像数据进行分割处理，以得到所述遥感图像数据的分类结果，其中，所述目标半监督分割模型由至少两组目标网络模型对组成，所述目标网络模型对由一个目标教师网络模型和一个目标学生网络模型组成，所述目标网络模型对是由强增强和弱增强处理后的样本数据训练得到的，所述目标教师网络模型用于交叉监督所述目标学生网络模型训练。
12.根据权利要求11所述的方法，其特征在于，在采用目标半监督分割模型对所述遥感图像数据进行分割处理，以得到所述遥感图像数据的分类结果之后，所述方法还包括：
在目标界面展示所述遥感图像数据的分类结果；
若检测到对所述分类结果的调整指令，则响应所述调整指令对所述分类结果进行调整，得到调整后的分类结果；
依据所述调整后的分类结果优化所述目标半监督分割模型。
13.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至10中的任意一项所述的图像分割方法。
CN202210856084.3A 2022-07-21 2022-07-21 图像分割方法 Active CN115082800B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210856084.3A CN115082800B (zh) 2022-07-21 2022-07-21 图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210856084.3A CN115082800B (zh) 2022-07-21 2022-07-21 图像分割方法

Publications (2)

Publication Number Publication Date
CN115082800A true CN115082800A (zh) 2022-09-20
CN115082800B CN115082800B (zh) 2022-11-15

Family

ID=83260626

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210856084.3A Active CN115082800B (zh) 2022-07-21 2022-07-21 图像分割方法

Country Status (1)

Country Link
CN (1) CN115082800B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116071375A (zh) * 2023-03-10 2023-05-05 福建自贸试验区厦门片区Manteia数据科技有限公司 图像分割方法和装置、存储介质及电子设备

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110880036A (zh) * 2019-11-20 2020-03-13 腾讯科技（深圳）有限公司 神经网络压缩方法、装置、计算机设备及存储介质
CN111291836A (zh) * 2020-03-31 2020-06-16 中国科学院计算技术研究所 一种生成学生网络模型的方法
CN112381098A (zh) * 2020-11-19 2021-02-19 上海交通大学 基于目标分割领域自学习的半监督学习方法和系统
CN112766422A (zh) * 2021-03-15 2021-05-07 山东大学 一种基于轻量级人脸识别模型的隐私保护方法
CN113657387A (zh) * 2021-07-07 2021-11-16 复旦大学 基于神经网络的半监督三维点云语义分割方法
CN113743474A (zh) * 2021-08-10 2021-12-03 扬州大学 基于协同半监督卷积神经网络的数字图片分类方法与系统
WO2022013867A1 (en) * 2020-07-13 2022-01-20 A.I. Neuray Labs Ltd. Self-supervised multi-sensor training and scene adaptation
US20220051105A1 (en) * 2020-08-17 2022-02-17 International Business Machines Corporation Training teacher machine learning models using lossless and lossy branches
WO2022042002A1 (zh) * 2020-08-31 2022-03-03 华为技术有限公司 一种半监督学习模型的训练方法、图像处理方法及设备
CN114188020A (zh) * 2021-12-07 2022-03-15 厦门大学附属中山医院 一种基于Transformer-MIL的甲状腺乳头状癌淋巴结转移预测方法
CN114241285A (zh) * 2021-11-25 2022-03-25 华南理工大学 一种基于知识蒸馏和半监督学习的船舶快速检测方法
CN114283329A (zh) * 2021-11-16 2022-04-05 华能盐城大丰新能源发电有限责任公司 一种基于强变换下的半监督遥感图像语义分割方法及设备
CN114399683A (zh) * 2022-01-18 2022-04-26 南京甄视智能科技有限公司 一种基于改进yolov5的端到端半监督目标检测方法
CN114494168A (zh) * 2022-01-17 2022-05-13 阿里巴巴（中国）有限公司 模型确定、图像识别与工业质检方法、设备及存储介质
CN114529904A (zh) * 2022-01-19 2022-05-24 西北工业大学宁波研究院 一种基于一致性正则训练的场景文本识别系统
CN114548279A (zh) * 2022-02-23 2022-05-27 浙江外国语学院 一种基于蒸馏网络的半监督图像分类方法

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110880036A (zh) * 2019-11-20 2020-03-13 腾讯科技（深圳）有限公司 神经网络压缩方法、装置、计算机设备及存储介质
CN111291836A (zh) * 2020-03-31 2020-06-16 中国科学院计算技术研究所 一种生成学生网络模型的方法
WO2022013867A1 (en) * 2020-07-13 2022-01-20 A.I. Neuray Labs Ltd. Self-supervised multi-sensor training and scene adaptation
US20220051105A1 (en) * 2020-08-17 2022-02-17 International Business Machines Corporation Training teacher machine learning models using lossless and lossy branches
WO2022042002A1 (zh) * 2020-08-31 2022-03-03 华为技术有限公司 一种半监督学习模型的训练方法、图像处理方法及设备
CN112381098A (zh) * 2020-11-19 2021-02-19 上海交通大学 基于目标分割领域自学习的半监督学习方法和系统
CN112766422A (zh) * 2021-03-15 2021-05-07 山东大学 一种基于轻量级人脸识别模型的隐私保护方法
CN113657387A (zh) * 2021-07-07 2021-11-16 复旦大学 基于神经网络的半监督三维点云语义分割方法
CN113743474A (zh) * 2021-08-10 2021-12-03 扬州大学 基于协同半监督卷积神经网络的数字图片分类方法与系统
CN114283329A (zh) * 2021-11-16 2022-04-05 华能盐城大丰新能源发电有限责任公司 一种基于强变换下的半监督遥感图像语义分割方法及设备
CN114241285A (zh) * 2021-11-25 2022-03-25 华南理工大学 一种基于知识蒸馏和半监督学习的船舶快速检测方法
CN114188020A (zh) * 2021-12-07 2022-03-15 厦门大学附属中山医院 一种基于Transformer-MIL的甲状腺乳头状癌淋巴结转移预测方法
CN114494168A (zh) * 2022-01-17 2022-05-13 阿里巴巴（中国）有限公司 模型确定、图像识别与工业质检方法、设备及存储介质
CN114399683A (zh) * 2022-01-18 2022-04-26 南京甄视智能科技有限公司 一种基于改进yolov5的端到端半监督目标检测方法
CN114529904A (zh) * 2022-01-19 2022-05-24 西北工业大学宁波研究院 一种基于一致性正则训练的场景文本识别系统
CN114548279A (zh) * 2022-02-23 2022-05-27 浙江外国语学院 一种基于蒸馏网络的半监督图像分类方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
LIU HAO: "Cycle Self-Training for Semi-Supervised Object Detection with Distribution Consistency Reweighting", 《CS.CV》 *
QINYING LIU: "Collaborating Domain-shared and Target-specific Feature Clustering for Cross-domain 3D Action Recognition", 《CS.CV》 *
YULIN WANG: "Regularizing Deep Networks With Semantic Data Augmentation", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 *
黄震: "知识蒸馏研究综述", 《计算机学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116071375A (zh) * 2023-03-10 2023-05-05 福建自贸试验区厦门片区Manteia数据科技有限公司 图像分割方法和装置、存储介质及电子设备
CN116071375B (zh) * 2023-03-10 2023-09-26 福建自贸试验区厦门片区Manteia数据科技有限公司 图像分割方法和装置、存储介质及电子设备

Also Published As

Publication number Publication date
CN115082800B (zh) 2022-11-15

Similar Documents

Publication Publication Date Title
CN109558477B (zh) 一种基于多任务学习的社区问答系统、方法及电子设备
CN110222722A (zh) 交互式图像风格化处理方法、系统、计算设备及存储介质
CN107909101A (zh) 基于卷积神经网络的半监督迁移学习字符识别方法及系统
CN105512723A (zh) 一种用于稀疏连接的人工神经网络计算装置和方法
CN107220296A (zh) 问答知识库的生成方法、神经网络的训练方法以及设备
CN107516096A (zh) 一种字符识别方法及装置
CN110399518A (zh) 一种基于图卷积的视觉问答增强方法
CN108319888B (zh) 视频类型的识别方法及装置、计算机终端
CN109147003A (zh) 对线稿图像进行上色的方法、设备以及存储介质
CN111401156B (zh) 基于Gabor卷积神经网络的图像识别方法
CN110717953A (zh) 基于cnn-lstm组合模型的黑白图片的着色方法和系统
CN108875693A (zh) 一种图像处理方法、装置、电子设备及其存储介质
CN104063686A (zh) 作物叶部病害图像交互式诊断系统与方法
CN115082800B (zh) 图像分割方法
CN112507927A (zh) 一种板书内容自动生成方法和装置
CN109523558A (zh) 一种人像分割方法及系统
CN114943876A (zh) 一种多级语义融合的云和云影检测方法、设备及存储介质
CN112132232A (zh) 医学图像的分类标注方法和系统、服务器
CN107729931A (zh) 图片评分方法和装置
CN111325212A (zh) 模型训练方法、装置、电子设备和计算机可读存储介质
CN109325512A (zh) 图像分类方法及装置、电子设备、计算机程序及存储介质
CN108564134A (zh) 数据处理方法、装置、计算设备和介质
CN108229469A (zh) 文字的识别方法、装置、存储介质、程序产品和电子设备
CN110472732A (zh) 优化特征提取方法及其神经网络结构
CN110796716A (zh) 一种基于多重残差网络和正则化迁移学习的图像着色方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant