Точное сегментирование изображений языка является важной предпосылкой для объективного анализа диагностики по языку в традиционной китайской медицине. В настоящее время широко применяемые методы полностью контролируемого сегментирования требуют обучения на большом количестве образцов с разметкой на уровне пикселей, тогда как полунезависимые методы сегментирования, основанные на одной модели, не обладают способностью самостоятельно исправлять изученные ошибки. Для решения этой проблемы в данной работе предложен новый метод полунаблюдаемого сегментирования изображений языка, основанный на взаимном обучении двух моделей. Сначала модели А и В обучаются под контролем на размеченном наборе данных. Затем модели переходят к этапу взаимного обучения с использованием разработанной функции потерь, которая назначает различные веса в зависимости от разногласий в предсказаниях двух моделей на неразмеченных данных. Сначала модель А генерирует псевдометки для неразмеченного набора данных, а модель В донастраивается на размеченных данных и данных с псевдометками, затем модель В генерирует псевдометки, и модель А выполняет донастройку аналогичным образом. После взаимной донастройки двух моделей выбирается более производительная модель в качестве итоговой для сегментирования изображений языка. Экспериментальные результаты показывают, что при долях размеченных данных 1/100, 1/50, 1/25, 1/8 метод достигает mIoU 96.67%, 97.92%, 98.52%, 98.85% соответственно, превосходя другие типичные полунаблюдаемые методы. Предложенный метод требует лишь небольшого количества размеченных данных для достижения высокой точности сегментирования изображений языка и может заложить прочную основу для последующих приложений анализа цвета и формы языка в традиционной китайской медицине, стимулируя цифровизацию диагностики и лечения.

полунаблюдаемый;взаимное обучение;сегментирование изображений языка;функция потерь;цифровизация традиционной китайской медицины