软件学报

作者：陈亚当，李家戚，车洵，吴恩华

单位：陈亚当，南京信息工程大学 计算机学院, 江苏 南京 21004411,李家戚，南京信息工程大学 计算机学院, 江苏 南京 21004402,车洵，南京理工大学 计算机科学与工程学院, 江苏 南京 21009403,吴恩华，基础软件与系统重点实验室(中国科学院 软件研究所), 北京 100190;计算机科学国家重点实验室 (中国科学院 软件研究所), 北京 10019004

关键词：计算机视觉;语义分割;半监督学习;协同训练;伪标签

基金：国家自然科学基金(62473201, 62477026, 62332015, 62072449); 无锡市产业创新研究院先导技术预研项目

半监督语义分割方法通常采用不同数据增强方案来确保多分支网络输入信息的差异化, 以实现分支之间相互监督. 虽然该方法取了一定成效, 但其存在以下问题: 1)特征提取差异不足, 造成推理特征信息同化; 2)监督信号差异不足, 造成末端损失学习同化. 以上两个问题都会促使网络中不同分支收敛到相似的解决方案, 导致多分支网络功能退化, 出现多个分支对错误保持相似置信度的问题, 错误引导网络分支收敛. 针对上述问题, 提出了一种基于差异化特征提取的交叉半监督语义分割网络. 首先, 采用差异化特征提取策略, 通过让网络分支分别关注纹理、语义和形状等不同信息, 从特征提取角度使特征提取信息始终存在差异性, 减少网络对数据增强的依赖; 其次, 提出一种交叉融合伪标签方法, 使网络分支交替生成邻域像素融合伪标签, 以此增强网络末端监督信号的差异性, 最终促使网络分支收敛向不同的解决方案. 实验结果证明, 方法在Pascal VOC 2012和Cityscapes验证集上分别达到了80.2%和76.8%的优异性能, 领先于最新方法0.3%和1.3%.

来源：2025年第12期

《软件学报》期刊编辑部

查看软件学报杂志2025年第12期