一种基于基尼指数的领域自适应语义分割方法技术

本发明专利技术公开了一种基于基尼指数的领域自适应语义分割方法，利用基尼指数度量输出预测的不确定性，在输出层对目标域输出预测进行不确定性度量及约束，减小源域和目标域在类别分布上的差异，进行域间自适应；依据基尼指数对目标域预测的不确定性度量结果将目标域样本集划分为两个子集，对域内高置信度预测对应的样本利用伪标签作为弱监督信息训练域内自适应分割网络，对域内自适应分割网络两个子集的输出预测计算基尼指数图，对低置信度样本计算的基尼指数图进行约束，并利用判别器D

【技术实现步骤摘要】
一种基于基尼指数的领域自适应语义分割方法
本专利技术涉及一种无监督领域自适应语义标注方法，尤其涉及一种基于基尼指数的领域自适应语义分割方法，属于模式识别与计算机视觉领域，可应用于自动驾驶、机器人视觉导航技术中。
技术介绍
无监督领域自适应语义分割利用有标注的源域数据和无标注的目标域数据进行训练，学习一个对目标域图像有较好的语义标注效果的模型。精确的无监督领域自适应语义分割对于许多应用至关重要，如自动驾驶、机器人导航等。无监督领域自适应要解决的主要问题是如何减小源域和目标域之间的差异，通常的策略包括：输入空间的域间自适应，特征空间的域间自适应和输出空间的域间自适应。输入空间的域间自适应对输入图像进行风格转换，实现数据边缘分布的对齐，但由于生成的图像会出现标签不匹配的情况，从而影响目标域的分割精度；特征空间的域间自适应一般使用域分类器与特征生成器进行对抗以提取具有域不变性质的特征，由于特征语义和嵌入结构的复杂性，很难完全获取域不变特征，因而会导致分割结果不佳；输出空间的域间自适应，基于模型输出的预测图利用域分类器和语义分割网络进行对抗适应，本文档来自技高网...

【技术保护点】
1.一种基于基尼指数的领域自适应语义分割方法，其特征在于：利用基尼指数度量输出预测的不确定性，在输出层对目标域输出预测进行不确定性度量及约束，减小源域和目标域在类别分布上的差异，进行域间自适应；依据基尼指数对目标域预测的不确定性度量结果将目标域样本集划分为两个子集，对域内高置信度预测对应的样本利用伪标签作为弱监督信息训练域内自适应分割网络，对域内自适应分割网络两个子集的输出预测计算基尼指数图，对低置信度样本计算的基尼指数图进行约束，并利用判别器D

【技术特征摘要】
1.一种基于基尼指数的领域自适应语义分割方法，其特征在于：利用基尼指数度量输出预测的不确定性，在输出层对目标域输出预测进行不确定性度量及约束，减小源域和目标域在类别分布上的差异，进行域间自适应；依据基尼指数对目标域预测的不确定性度量结果将目标域样本集划分为两个子集，对域内高置信度预测对应的样本利用伪标签作为弱监督信息训练域内自适应分割网络，对域内自适应分割网络两个子集的输出预测计算基尼指数图，对低置信度样本计算的基尼指数图进行约束，并利用判别器Dt判别基尼指数图属于哪个子集，基于对抗思想减小目标域域内的差异，提高语义标注精度。


2.根据权利要求1所述的一种基于基尼指数的领域自适应语义分割方法，其特征在于：利用合成数据集作为源域，真实数据集为目标域；训练时，在域间自适应网络输入源域和目标域图像进行训练，训练完成后，将目标域图像进行划分输入到域内自适应网络进行训练，得到最优分割结果；
具体方法步骤如下：
步骤(1)，将源域数据集和目标域数据集各取一张RGB图片(batchsize为2)同时输入域间自适应语义分割网络Gst；
步骤(2)，利用域间自适应语义分割网络Gst得到源域和目标域的最后两层的输出预测分割图；
步骤(3)，将源域最后两层的输出预测图分别和源域图片的groundtruth计算交叉熵损失，并将源域最后两层的损失进行加权求和；
步骤(4)，将目标域最后两层的输出预测图分别利用基尼指数计算不确定性损失，并将目标域最后两层的损失加权求和；
步骤(5)，将步骤(3)得出的源域最后两层的损失加权求和值和步骤(4)的目标...

【专利技术属性】
技术研发人员：王立春，胡玉杰，王少帆，孔德慧，李敬华，尹宝才，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京;11