[发明专利]一种双分支半监督红外舰船目标分割方法

权利要求书

1.一种基于双分支的半监督红外舰船目标分割方法，其特征在于，包括以下步骤：

步骤1：将数据集D以4:1划分为训练集D_train和测试集D_test，训练集D_train以M:1；划分为有标签数据集T_label和无标签数据集T_unlabel；所述训练集D_train包含N_train个样本，测试集D_test包含N_test个样本，有标签数据集T_label包含N_label个样本；M∈{2,4,8}；

步骤2：构建双分支半监督红外舰船目标分割模型，该模型由两个分支组成：双学习网络分支和分割网络分支；双学习网络由两个相同的网络A和B组成，分割网络包含一个分割网络F，学习网络A、B和分割网络F都是以UNet作为骨干网络；对于第i个输入样本x_i，1≤i≤N_train；双分支半监督红外舰船目标分割模型首先使用双学习网络获得无标签数据的伪标签，然后使用有标签数据和带伪标签的无标签数据训练分割网络，获得分割结果

步骤3：训练双分支半监督红外舰船目标分割网络，具体步骤包括：

步骤3.1：选择迭代次数、学习率参数，每次迭代选择训练集D_train中的有标签数据集T_label训练双学习网络分支中的学习网络A、B，以改进的分割交叉熵损失作为损失函数，改进的分割交叉熵损失由两部分组成：分割交叉熵损失和双学习损失，使用反向传播和梯度下降算法Adam训练网络A、B，保存训练好的网络，改进的分割交叉熵损失函数为：

其中，为分割交叉熵损失，L_mse为双学习损失，α表示两个学习网络差异性的权重；

分割交叉熵损失为：

其中，x_m为有标签数据集T_label中的有标签图像，y_m(为对应的真实标签，P_sm(f_k(x_m))为学习网络A、B的预测输出，f_k()表示学习网络，P_sm()表示softmax函数；1≤m≤N_label；k∈{A,B}

双学习损失L_mse为：

其中，x_m为有标签数据集T_label中的有标签图像，P_sm(f_A(x_m))、P_sm(f_B(x_m))为学习网络A、B的预测输出，f_A()、f_B()表示学习网络A、B，P_sm()表示softmax函数；

步骤3.2：依据步骤3.1的方法训练学习网络A、B，使学习网络有一定的分割能力，利用学习网络A、B分别对无标签图像生成伪标签；

把经过softmax作归一化处理的分割图称为分割置信度图，把两个学习网络得到的分割置信度图相加作为总的分割置信度图，其计算方式为：

I_score,n＝P_sm(f_A(x_n))+P_sm(f_B(x_n))           (4)

其中，x_n为无标签数据集T_unlabel中的无标签图像，I_score,n是对一幅无标签图像生成的总分割置信度图；1≤j≤N_unlabel；

由两个学习网络生成的总分割置信度图结合了两个网络的分割结果，对于每一个像素点选择评分最高的类别作为此像素的类别，伪标签的计算方法如下：

t_pseudo,n＝argmax(I_score,n)           (5)

其中，argmax()用来得到每个像素点得分最高的类别；

步骤3.3：选择迭代次数、学习率参数，使用训练集D_train训练分割网络分支的分割网络F，以交叉熵损失作为损失函数，使用反向传播和梯度下降算法Adam训练网络，并保存训练好的网络；

分割交叉熵损失由两部分组成：有标签图像的交叉熵损失和无标签图像的交叉熵损失，计算方式为：

L_S＝L_adaw+L_ces                  (6)

其中，L_adaw为无标签图像的交叉熵损失，L_ces为有标签数据的交叉熵损；

L_adaw的计算方式为：

其中，ω为无标签图像更新网络参数的权重，x_n为无标签数据集T_unlabel中的无标签图像，t_pseudo,n为无标签图像x_n对应的伪标签，f_F()表示分割网络F；

ω的计算方式为：

其中，t_pseudo,A'和t_pseudo,B'分别为学习网络A、B生成的伪标签；

L_ces的计算方式为：

其中，x_m为有标签数据集T_label中的有标签图像，为对应的真实标签，f_F()表示分割网络F，P_sm()表示softmax函数；

步骤4：在测试集D_test上测试训练好的分割网络，计算分割准确率。