[发明专利]伪标签生成方法和装置

说明书

本公开提供一种伪标签生成方法和装置。伪标签生成装置利用深度学习模型对待处理图像集进行处理，以便输出层输出第一特征，中间层输出第二特征；利用语义分类器对第一特征进行处理，以得到类别概率图，根据第一类别概率图生成相应的第一分类置信图；分别利用第一鉴别器和第二鉴别器对第一特征和第二特征进行处理以生成相应的对抗置信图；利用对抗置信图在第一分类置信图中选择置信度大于预设条件的部分，以生成第二分类置信图；利用第二分类置信图确定各类别所对应的门限，并利用所确定的门限对类别概率图中的像素进行概率调整；利用各像素调整后的概率确定各像素的伪标签。本公开能够有效提升所生成伪标签的准确度。

技术领域

本公开涉及信息处理领域，特别涉及一种伪标签生成方法和装置。

背景技术

图像语义分割是计算机图形领域的一个重要课题，目的是将一个输入图片在像素级分割成不同的语义区域。这样就可以对整个图像在语义层面进行理解，并且可以为后续其他技术提供输入信息。图像分割对于多种领域都有重要应用，例如自动驾驶中的场景解析。

由于训练一个语义分割模型需要大量像素级的数据标签，因此需要考虑如何减轻数据标注的成本。目前所采用的方案是通过用计算机生成的CG(Computer Graphics)来做训练，由于CG图像由3D模型渲染产生，本身就包含了语义信息，所以可以几乎无成本的产生大量标记的数据做训练。

发明内容

发明人通过研究发现，由于数据的不同域之间存在差异，利用虚拟数据训练的模型无法有效应用于真实场景，无法准确生成伪标签。

为此，本公开提供一种准确生成伪标签的方案。

根据本公开实施例的第一方面，提供一种伪标签生成方法，包括：利用深度学习模型对待处理图像集进行处理，以便所述深度学习模型的输出层输出第一特征，所述深度学习模型的中间层输出第二特征；利用经过训练的语义分类器对所述第一特征进行处理，以得到第一类别概率图，根据所述第一类别概率图生成相应的第一分类置信图；利用经过训练的第一鉴别器对所述第一特征进行处理，以得到第一结果，利用经过训练的第二鉴别器对所述第二特征进行处理，以得到第二结果，根据所述第一结果和所述第二结果生成相应的对抗置信图；利用所述对抗置信图在所述第一分类置信图中选择置信度大于预设条件的部分，以生成第二分类置信图；利用所述第二分类置信图确定各类别所对应的门限，并利用所确定的门限对所述第一类别概率图中的像素进行概率调整；利用所述第一类别概率图中各像素调整后的概率确定各像素的伪标签。

在一些实施例中，利用所述对抗置信图在所述第一分类置信图中选择置信度大于预设条件的部分，以生成第二分类置信图包括：在所述对抗置信图中，若第n个图像中第j个像素的置信度大于第一门限t₁，则将所述第n个图像中第j个像素在所述第一分类置信图中的对应区域保留；若第n个图像中第j个像素的置信度不大于第一门限t₁，则将所述第n个图像中第j个像素在所述第一分类置信图中的对应区域置零，以生成第二分类置信图，其中1≤n≤N，N为图像个数，1≤j≤J，J为像素个数。

在一些实施例中，在所述对抗置信图中，将全部像素的置信度排序，按照置信度从大到小的顺序根据预设比例选择出p1个像素，并将第p1个像素的置信度作为第一门限t₁。

在一些实施例中，利用所确定的门限对所述第一类别概率图中的像素进行概率调整包括：在所述第一类别概率图中，将第n个图像中第j个像素相对第l个类别的概率除以相应的第二门限的结果，作为第n个图像中第j个像素相对第l个类别调整后的概率，其中1≤n≤N，N为图像个数，1≤j≤J，J为像素个数，1≤l≤K，K为类别数量。

在一些实施例中，在所述第二分类置信图中，将全部像素相对第l个类别的概率排序，按照概率从大到小的顺序根据预设比例选择出p2个像素，并将第p2个像素的概率值作为第二门限