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：本发明公开一种基于双旋转局部不一致性学习的半监督伪装目标检测方法，针对于“伪装目标数据的像素级标注耗时耗力，半监督学习提供了潜在解决方案，但是直接将成功的半监督范式迁移到伪装目标检测任务上，面临伪标签存在局部性噪声的问题，即同一伪标签内不同区域噪声程度不同，直接用带噪声伪标签进行监督会损害模型性能”的问题，基于经典的半监督学习教师‑学生范式，同时提出了一种新颖的双旋转局部不一致性学习。双旋转局部不一致性学习通过不同旋转视图的局部预测不一致对同一伪标签不同区域赋予不同权重来缓解局部噪声问题，帮助模型自适应调整不同质量伪标签的贡献，使伪装目标检测模型获得充分监督的同时，避免确认偏差。

主权项：1.一种基于双旋转局部不一致性学习的半监督伪装目标检测方法，结合半监督学习中的教师-学生范式，其特征在于：给定用于训练的伪装目标检测数据集，具有个有标签数据的有标签数据子集表示为，具有个无标签数据的无标签数据子集表示为，其中和表示输入图像，表示有标签数据对应的真实掩码标签；包括以下步骤：步骤1、将有标签数据和无标签数据按1:1随机采样组成一个训练批次；步骤2、将有标签数据经过弱数据增强，再送到学生模型得到相应的预测结果，然后与该有标签数据对应的真实掩码标签进行计算BCELoss，得到有监督损失，其计算公式表示为： ；其中表示弱数据增强，包括随机翻转和随机缩放；表示学生模型，表示学生模型的参数，则表示学生模型的预测结果；表示计算二值交叉熵损失；步骤3、将无标签数据经过弱数据增强，再经过两次随机不同角度的旋转，得到两个不同角度的旋转视图和，其计算公式表示为： ； ；其中表示将其输入旋转对应角度，和表示不同的旋转角度；再将得到的两个旋转视图和送到教师模型得到相应的两个伪标签和，教师模型的参数为，其计算公式表示为： ； ；然后将两个伪标签和反向旋转至水平方向，得到两个水平预测和，其计算公式表示为： ； ；按像素相减得到不同旋转视图下伪标签的局部不一致性，其计算公式表示为： ；计算水平预测的平均值，再将其与的L2距离作为权重的一项，由此得到局部不一致性权重，其计算公式表示为： ；其中表示超参数，表示计算平均值；步骤4、将步骤3中得到的旋转视图进行强数据增强，再送到学生模型得到相应的预测结果，其计算公式表示为： ；其中表示强数据增强；然后与对应的伪标签进行计算BCELoss，结合局部不一致性权重，计算无监督损失，其计算公式表示为： ；其中和分别表示图像的高和宽，表示在第张图中第个像素位置的局部不一致性权重，表示伪标签在第个像素位置的像素值，表示预测结果在第个像素位置的像素值；步骤5、将有监督损失与加权的无监督损失相加得到最终的总损失，其计算公式表示为： ；其中表示无监督损失的权重；步骤6、根据总损失使用随机梯度下降优化器更新学生模型的参数，再由学生模型通过指数移动平均策略更新教师模型的参数，其计算公式表示为： ；其中表示更新后教师模型的参数，表示更新系数。

全文数据：

权利要求：

百度查询： 厦门大学 基于双旋转局部不一致性学习的半监督伪装目标检测方法