1.一种半监督RGB‑D图像镜面检测方法,其特征在于,包括以下步骤:S1、利用有标签图像预热三分支学生网络,学生网络提取RGB图像特征和Depth图像特征,并融合形成融合特征;
S2、将融合特征、RGB图像特征和Depth图像特征送入三分支解码,获得预测图并利用真值监督;
S3、利用教师网络获得无标签图像的伪标签;
S4、将无标签图像与有标签图像进行图像混合,获得混合图像;
S5、将混合图像与有标签图像同时送入学生网络进行训练;
S6、将模型部署在计算机设备上,将上述训练得到的最优参数加载进模型,将RGB‑D镜面检测数据集送入模型,得到对应图像的预测结果图,完成RGB‑D图像的镜面检测;
所述S4进一步包括:
S41、对弱增强无标签RGB图像 进行强数据增强,生成新的强增强图像,对弱增强无标签Depth图像 不做任何操作,直接作为强增强图像 ;
S42、将所述弱增强无标签RGB图像 与所述弱增强无标签Depth图像 送入所述教师网络,得到的三分支解码概率图 和 特征图,求平均得到平均概率图 ,
;
S43、计算所述平均概率图的置信度:
S431、通过熵计算公式得到不确定度;
S432、通过1‑ 获得每个像素点的置信度;
S433、将所有像素点的置信度相加求平均,得到整张图的置信度 ,,
;
S44、根据置信度随机图像混合:
将有标签图像、强增强无标签图像和 分别送入 模块,得到所述混合图像 ,
。
2.如权利要求1所述的半监督RGB‑D图像镜面检测方法,其特征在于,所述S1进一步包括:S11、提取RGB图像特征:使用在ImageNet上预训练的PVTv2‑B2网络提取图像颜色特征,形成 ,i=1,...4;
S12、提取Depth图像特征:使用在ImageNet上预训练的PVTv2‑B2网络提取图像深度特征,形成 ,i=1,…4;
S13、形成融合特征:
S131、针对最高层RGB图像特征 与最高层Depth图像特征 ,所述融合模块先通过ASPP模块对高级语义特征进行增强,接着将RGB图像和Depth图像经过级联送入卷积块,将特征进行融合和通道维度降维后,得到融合特征 ,;
S132、针对低层RGB图像特征 与底层Depth图像特征 ,所述融合模块直接对应特征级联后,得到对应的融合特征 , , ,。
3.如权利要求2所述的半监督RGB‑D图像镜面检测方法,其特征在于,所述S2中的所述三分支解码包括融合分支解码、RGB分支解码和Depth分支解码;
所述融合分支解码是将所述S132得到的 先通过上采样后级联,再通过卷积块操作得到所述预测图;
所述的RGB分支解码与所述Depth分支解码是将编码特征次低层特征 和 进行交换,送入所述RGB分支解码的特征为 ,得到对应的 ,送入所述Depth分支解码的特征为 得到对应的 ,
,
,
。
4.如权利要求1所述的半监督RGB‑D图像镜面检测方法,其特征在于,所述S3中的所述教师网络是对所述学生网络结构的复制,所述教师网络的初始化参数加载所述S1中得到的最优学生网络参数,所述教师网络的参数是通过指数平均移动操作EMA动态更新,而不被神经网络梯度后向传播所更新。
5.如权利要求4所述的半监督RGB‑D图像镜面检测方法,其特征在于,所述S3进一步包括:S31、将无标签图像RGB图像 和Depth图像 进行弱数据增强,生成对应的弱增强图像;
S32、将所述弱增强图像 送入所述教师网络,生成对应无标签图像的预测图,由于所述教师网络是三分支结构,所以将所述三分支解码的预测概率图相加求平均可得到平均预测概率图所得。
6.如权利要求1所述的半监督RGB‑D图像镜面检测方法,其特征在于,所述S5进一步包括:S51、将所述混合图像与所述有标签图像在Batch维度上级联;
S52、送入所述学生网络,并利用对应的所述伪标签与真值进行监督。
7.如权利要求1所述的半监督RGB‑D图像镜面检测方法,其特征在于,所述S6进一步包括:S61、在计算机设备上构建模型;
S62、通过Pycharm将训练得到的最优模型参数文件加载入模型;
S63、加载现有RGB‑D镜面检测的图像,送入所述学生网络获得对应图像的分割预测图;
S64、将所述分割预测图与真值进行比对,评估模型检测效果,完成镜RGB‑D镜面检测。
8.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。