欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2024107590253
申请人: 宁波大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种点云语义分割模型的训练方法,其特征在于:所述方法包括:S1,创建结构相同的第一基础模型、第二基础模型、第三基础模型,以及训练集,所述训练集包括有标记数据和无标记数据;

S2,对所述有标记数据进行强增强操作,并将强增强后的有标记数据输入所述第二基础模型预测,计算所述第二基础模型的有监督损失值;

S3,对所述无标记数据进行弱增强和强增强操作,并将弱增强和强增强后的无标记数据分别输入所述第一基础模型、第二基础模型预测,获得无标记第一分割结果和无标记第二分割结果;并将所述无标记数据输入所述第三基础模型进行特征增强,获得无标记第三分割结果;将所述无标记第一分割结果和无标记第二分割结果进行对齐,计算第一对齐损失值,将所述无标记第二分割结果和无标记第三分割结果进行对齐,计算第二对齐损失值;

S4,计算获得所述第二基础模型预测的不确定值,基于所述不确定值将所述第二基础模型的预测划分为可靠集合和不可靠集合;基于所述可靠集合生成其负样本权重,计算无标记数据的主动对比损失值,基于所述不可靠集合生成其负伪标签,计算无标记数据的负对比损失值,基于所述第一基础模型预测的分割结果和第二基础模型预测的分割结果,计算其类别原型之间的原型分离损失值,所述第二基础模型预测的不确定性的计算过程具体包括:基于所述第一基础模型预测的分割结果,计算所有训练集的类别原型,并与第二基础模型预测的分割结果计算相似度,所述相似度计算公式为:其中,

基于第二基础模型输出的预测概率分布,结合其相似度分布,计算第二基础模型预测的原型熵值,作为第二基础模型预测的不确定性度量,所述不确定性的计算公式为:其中,

通过计算第一基础模型的类别原型获得相似度分布,所述类别原型的计算公式为:其中,

所述负样本权重的计算公式为:

其中,

其中,

所述负伪标签的计算公式为:

其中,

S5,基于所述有监督损失值、第一对齐损失值、第二对齐损失值、主动对比损失值、负对比损失值及原型分离损失值,联合迭代更新第二基础模型参数。

2.根据权利要求1所述的一种点云语义分割模型的训练方法,其特征在于:所述S2包括:将有标记数据进行强增强操作,并将强增强后的有标记数据输入第二基础模型获得有标记第二分割结果,基于所述有标记第二分割结果及有标记数据对应的真值标签计算所述第二基础模型的有监督损失值,所述有监督损失值的计算公式为:其中,

3.根据权利要求1所述的一种点云语义分割模型的训练方法,其特征在于:所述S3中,所述无标记第一分割结果、无标记第二分割结果和无标记第三分割结果的获取过程包括:将所述无标记数据分别进行弱增强和强增强操作,分别获得无标记数据弱增强结果和无标记数据强增强结果,将所述无标记数据弱增强结果和无标记数据强增强结果分别输入第一基础模型、第二基础模型进行逐点语义预测,获得所述无标记第一分割结果和无标记第二分割结果;将无标记数据输入第三基础模型,对无标记数据的特征进行特征增强操作,然后第三基础模型进行预测,获得所述无标记第三分割结果。

4.一种点云语义分割模型的训练系统,其特征在于:所述系统包括:模型及训练集创建模块,用于创建结构相同的第一基础模型、第二基础模型、第三基础模型,以及训练集,所述训练集包括有标记数据和无标记数据;

有监督损失值计算模块,用于对所述有标记数据进行强增强操作,并将强增强后的有标记数据输入所述第二基础模型预测,计算所述第二基础模型的有监督损失值;

特征增强及对齐模块,用于对所述无标记数据进行弱增强和强增强操作,并将弱增强和强增强后的无标记数据分别输入所述第一基础模型、第二基础模型预测,获得无标记第一分割结果和无标记第二分割结果;并将所述无标记数据输入所述第三基础模型进行特征增强,获得无标记第三分割结果;将所述无标记第一分割结果和无标记第二分割结果进行对齐,计算第一对齐损失值,将所述无标记第二分割结果和无标记第三分割结果进行对齐,计算第二对齐损失值;

不确定性估计及对比学习模块,用于计算获得所述第二基础模型预测的不确定值,基于所述不确定值将所述第二基础模型的预测划分为可靠集合和不可靠集合;基于所述可靠集合生成其负样本权重,计算无标记数据的主动对比损失值,基于所述不可靠集合生成其负伪标签,计算无标记数据的负对比损失值,基于所述第一基础模型预测的分割结果和第二基础模型预测的分割结果,计算其类别原型之间的原型分离损失值;

所述第二基础模型预测的不确定性的计算过程具体包括:基于所述第一基础模型预测的分割结果,计算所有训练集的类别原型,并与第二基础模型预测的分割结果计算相似度,所述相似度计算公式为:其中,

基于第二基础模型输出的预测概率分布,结合其相似度分布,计算第二基础模型预测的原型熵值,作为第二基础模型预测的不确定性度量,所述不确定性的计算公式为:其中,

通过计算第一基础模型的类别原型获得相似度分布,所述类别原型的计算公式为:其中,

所述负样本权重的计算公式为:

其中,

其中,

所述负伪标签的计算公式为:

其中,

迭代更新模块,用于基于所述有监督损失值、第一对齐损失值、第二对齐损失值、主动对比损失值、负对比损失值及原型分离损失值,联合迭代更新第二基础模型参数。

5.一种可读存储介质,其特征在于:所述可读存储介质中存储有计算机程序,所述计算机程序被运行时,执行上述权利要求1~4任意一项所述模型的训练方法中的步骤。

6.一种电子设备,其特征在于:所述电子设备包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器运行时,执行上述权利要求1~4任意一项所述模型的训练方法中的步骤。