利用少数族伪标签实现半监督细粒度道路场景理解

在细粒度道路场景理解中，语义分割在使车辆感知和理解周围环境方面发挥着关键作用。通过为图像中的每个像素分配特定类别标签，实现对道路特征的精确识别和定位，这对于高质量的场景理解和后续感知任务至关重要。在此领域中,提高少数类别识别性能并缓解多数类别的主导作用是关键挑战,这对于实现整体平衡和稳健的性能至关重要。然而,传统的半监督学习方法往往忽视类别之间的不平衡。为此,我们首先提出一种通用训练模块,通过不使用常规过滤策略的方式从所有伪标签中学习。其次,我们提出一种专业训练模块,专门从由新颖不匹配得分指标识别出的可靠少数族伪标签中学习。两个模块相互监督,以减少模型耦合,这在半监督学习中至关重要。在对比学习期间,为避免多数类别在特征空间中的主导作用,我们提出一种为不同类别在特征空间中分配均匀分布锚点的策略。在多个公开基准测试上的实验结果表明,我们的方法在识别尾部类别方面优于传统方法。