面向极有限标签条件下的正向声纳图像语义分割的协作教师框架

作为最重要的水下感知技术之一，正向声纳具有独特的成像特征。声纳图像常受严重的斑点噪声、低纹理对比度、声学阴影和几何畸变的影响，这些因素使得在标签极有限的条件下，传统的教师-学生框架难以在声纳语义分割任务中实现令人满意的性能。为解决这一问题，我们提出了面向正向声纳图像的协作教师语义分割框架。该框架引入由一个通用教师和多个声纳特定教师组成的多教师协作机制。通过采用多教师交替指导策略，学生模型可以在学习一般语义表征的同时，同时捕获声纳图像的独特特征，从而实现更全面和稳健的特征建模。鉴于声纳图像的挑战，这可能导致教师生成大量噪声伪标签，我们进一步设计了跨教师可靠性评估机制。该机制通过评估多个视角和多个教师预测的一致性和稳定性，动态量化伪标签的可靠性，从而减轻噪声伪标签造成的负面影响。值得注意的是，在FLSMD数据集上，仅使用2%的数据标签，我们的方法相比其他最先进的方法实现了5.08%的mIoU提升。