双域适应模块金字塔型网络及无监督域适应图像分割方法技术

双域适应模块金字塔型网络，包含编码器、金字塔型池化模块、解码器、图像级域适应模块及特征级域适应模块，所述编码器之后连接一个金字塔型池化模块，解码器连接在金字塔型池化模块之后，编码器通过跳连技术与解码器同尺寸的卷积层相连；该发明专利技术通过对图像和特征层次的对抗训练，训练时无需目标域标签，测试或使用过程与正常的分割网络一样工作，无需图像级域适应模块和特征级域适应模块；该发明专利技术可以提升分割神经网络的在无标记的新图像的分割精度，为机器人及车的识别街景、计算机辅助诊断等提供技术支持，实用性强，有着较强的推广与应用价值。

Dual domain adaptive module pyramid network and unsupervised domain adaptive image segmentation

【技术实现步骤摘要】
双域适应模块金字塔型网络及无监督域适应图像分割方法
本专利技术涉及数字图像处理及计算机视觉
，尤其是一种基于双域适应模块金字塔型网络的无监督域适应图像分割方法。
技术介绍
数字图像分割技术在机器人，自动导航，医疗影像等领域有着重要的应用。传统的基于深度学习的语义图像分割模型需要使用有标记的训练数据进行有监督学习，并且需要保证训练和测试数据大体相似，即具有相同的分布(或处在相同的域)，然而，在实际情况很难保证训练数据和测试数据或新的数据(实际运行的数据)处在同一域内，使得模型在测试数据上出现显著的性能下降。传统解决此类问题的方式是对新的数据进行标记，并在原模型上进行迁移学习。然而，获得准确的标记是繁琐且耗时复杂的，无法保证对新的数据进行充足的标记，因而需要设计一种基于双域适应模块金字塔型网络的无监督图像分割技术，在无需新数据标记的情况下，通过图像级和特征级两个域适应模块来减小新的无标记数据和原始训练有标记数据两个域之间的差异，以提升模型在新数据上的性能。本专利技术就是为了解决以上问题而进行的改进。
技术实现思路
本文档来自技高网...

【技术保护点】
1.双域适应模块金字塔型网络，包含编码器、金字塔型池化模块、解码器、图像级域适应模块及特征级域适应模块，其特征在于：/n所述编码器之后连接一个金字塔型池化模块，解码器连接在金字塔型池化模块之后；/n所述图像级域适应模块连接在金字塔型池化模块之后，所述图像级域适应模块的输入为金字塔型池化模块的输出；/n所述特征级域适应模块连接在解码器之后，特征级域适应模块在解码器的最终输出之前，所述特征级域适应模块的输入为解码器各级的融合；/n所述编码器和解码器中均包含卷积块，每个卷积块包含卷积层和卷积核，其中编码器中还包含池化层，解码器中还包含上采样层，所述解码器中的卷积块与编码器中的卷积块相对应；/n所述金...

【技术特征摘要】
1.双域适应模块金字塔型网络，包含编码器、金字塔型池化模块、解码器、图像级域适应模块及特征级域适应模块，其特征在于：
所述编码器之后连接一个金字塔型池化模块，解码器连接在金字塔型池化模块之后；
所述图像级域适应模块连接在金字塔型池化模块之后，所述图像级域适应模块的输入为金字塔型池化模块的输出；
所述特征级域适应模块连接在解码器之后，特征级域适应模块在解码器的最终输出之前，所述特征级域适应模块的输入为解码器各级的融合；
所述编码器和解码器中均包含卷积块，每个卷积块包含卷积层和卷积核，其中编码器中还包含池化层，解码器中还包含上采样层，所述解码器中的卷积块与编码器中的卷积块相对应；
所述金字塔型池化模块的输入为编码器的最后一层输出，金字塔型池化模块通过多级并联池化层将输入池化，最终再汇集为全局特征；
所述解码器输出分割结果，该分割结果受分割损失函数的约束；
所述图像级域适应模块和特征级域适应模块均由判别器组成，图像级域适应模块的输入为金字塔型池化模块的输出，所述特征级域适应模块的输入为解码器各级卷积块通过上采样至统一尺寸后的汇聚输出。


2.如权利要求1所述的双域适应模块金字塔型网络，其特征在于，所述编码器包含E1～E4卷积块，池化层为最大池化层，每一个卷积块中池化层的池化倍数为2。


3.如权利要求1所述的双域适应模块金字塔型网络，其特征在于，所述解码器包含D4～D1卷积块，每个卷积块的上采样层的上采样倍数为2。


4.如权利要求1所述的双域适应模块金字塔型网络，其特征在于，所述分割损失函数为该分割函数由分类交叉熵和Dice系数两部分组成，数学表达为：



其中α是权衡参数，y与分别表示标准结果与预测结果。


5.如权利要求1所述的双域适应模块金字塔型网络，其特征在于，...

【专利技术属性】
技术研发人员：刘净心，王晶，左彦飞，郭滟，
申请(专利权)人：上海衡道医学病理诊断中心有限公司，
类型：发明
国别省市：上海;31