曲率驱动的动态自适应框架：面向车辆部件精细分割的半监督学习方法

这篇研究提出了一种创新的曲率驱动半监督框架(CSDF)，通过动态感受野调整(DAM)和边缘引导特征聚合(EGAM)技术，有效解决了车辆外观部件分割中高曲率区域(如后视镜、格栅)的细节保留难题。该方法在Mean Teacher(MT)范式下，结合多尺度几何感知一致性损失，显著提升了工业场景下复杂边界结构的识别精度，为汽车制造质量检测提供了高效解决方案。

　　

Highlight

我们提出曲率感知半监督动态框架(CSDF)，通过将曲率驱动动态适应与边缘引导特征聚合相结合，显著提升了有限标签条件下的车辆外观部件分割性能。

Dynamic Adaptation Module (DAM)

曲率驱动动态适应机制能智能调节膨胀系数和伪标签置信度阈值：高曲率区域(如尖锐边缘/面板接缝)采用小感受野保留细节，低曲率区域(如平整车身)则用大感受野捕获上下文。这种自适应机制有效解决了边界区域和小部件中常见的低置信度问题，在保持边界精度的同时显著提升复杂区域的识别准确率。

Edge-Guided Aggregation Module (EGAM)

边缘法向引导的可变形聚合技术，通过沿边界法线方向约束采样，防止跨边界特征污染。这种基于几何约束的特征整合方式，在需要精确边界划分的高曲率区域表现尤为突出，大幅提升了具有复杂轮廓的车辆部件分割精度。

Dataset and Evaluation

我们构建了高质量的车辆外观部件数据集，并在私有数据集和公共基准上验证方法。实验表明，在低标签场景下，本方法始终优于现有技术，展现出卓越的鲁棒性和工业实用价值。

Conclusion

本研究提出的曲率感知半监督框架，通过将动态适应与边缘引导聚合有机结合，在Mean Teacher范式下实现了细节保留与上下文理解的平衡。大量消融实验和超参数分析证实了各模块的有效性，为工业级车辆部件分割提供了创新解决方案。