【技术实现步骤摘要】
适配神经网络的初始模型的方法、系统、存储部分和车辆
本专利技术涉及图像处理的领域,并且更确切地涉及神经网络的分类性能的改进。
技术介绍
本专利技术在自动驾驶车辆的图像分类的领域中找到了专用的应用,但是可以应用于处理任何类型的图像。语义信息为自动车辆周围的场景理解提供了有价值的来源,以便计划它们的动作并做出决定。这些场景的语义分割允许识别汽车、行人、车道等。因此,语义分割是用于自动驾驶系统或其他自动化系统的主干技术。语义图像分割通常使用诸如神经网络的模型以执行分割。这些模型需要被训练。训练模型通常包括将已知图像输入到模型。对于这些图像,预定语义分割是已知的(操作者可能已通过对图像加标记来准备每个图像的预定语义分割)。然后鉴于预定语义分割来评估模型的输出,并且如果模型的输出不同于图像的预定语义分割,则调整模型的参数。为了训练语义分割模型,需要大量的图像和预定语义分割。例如,已经观察到恶劣天气下的视觉状况(特别是当存在遮挡视线的雾时)为驾驶员和自动化系统造成可见性问题。尽管传感器和计算机视觉算法不断地变得更好,但是改进通常利用在良好和晴朗的天气期间拍摄的图像作为基准。这些方法通常在其他天气状况下不能很好地工作。这阻止了自动系统实际被使用:难以设想车辆避免变化的天气状况,并且车辆必须能够在这些状况期间区分不同的对象。因此,期望利用变化的天气图像(在由于天气状况的多个可见的状态期间拍摄的图像)来训练语义分割模型。然而,获得这些变化的天气状况期间的语义分割数据是特别 ...
【技术保护点】
1.将神经网络的初始模型适配到适配模型的方法,其中,所述初始模型已经利用源域的经标记的图像进行训练,其特征在于,所述方法包括:/n将所述初始模型复制到所述适配模型中;/n将所述适配模型划分成编码器部分和第二部分,其中,所述第二部分配置为处理从所述编码器部分输出的特征;/n在固定所述第二部分的参数和适配所述编码器部分的参数的同时使用所述源域的随机图像和目标域的随机图像将所述适配模型适配到所述目标域,所述适配模型使以下两个距离的函数最小化:/n第一距离,所述第一距离测量所述初始模型的编码器部分的输出的源域的特征与所述适配模型的编码器部分的输出的源域的特征之间的距离;以及/n第二距离,所述第二距离测量针对所述源域的图像获得的所述特征的概率与针对所述目标域的图像获得的所述特征的概率之间的分布距离,/n所述适配模型用于处理所述源域或所述目标域的新图像。/n
【技术特征摘要】
20200228 EP 20305205.51.将神经网络的初始模型适配到适配模型的方法,其中,所述初始模型已经利用源域的经标记的图像进行训练,其特征在于,所述方法包括:
将所述初始模型复制到所述适配模型中;
将所述适配模型划分成编码器部分和第二部分,其中,所述第二部分配置为处理从所述编码器部分输出的特征;
在固定所述第二部分的参数和适配所述编码器部分的参数的同时使用所述源域的随机图像和目标域的随机图像将所述适配模型适配到所述目标域,所述适配模型使以下两个距离的函数最小化:
第一距离,所述第一距离测量所述初始模型的编码器部分的输出的源域的特征与所述适配模型的编码器部分的输出的源域的特征之间的距离;以及
第二距离,所述第二距离测量针对所述源域的图像获得的所述特征的概率与针对所述目标域的图像获得的所述特征的概率之间的分布距离,
所述适配模型用于处理所述源域或所述目标域的新图像。
2.根据权利要求1所述的方法,其特征在于,所述函数的形式是(μD2+λD1),其中,μ和λ是正实数,D1是所述第一距离,并且D2是所述第二距离。
3.根据权利要求1或2所述的方法,其特征在于,适配所述编码器部分的参数使用自监控损耗以测量所述第一距离。
4.根据权利要求1至3中任一项所述的方法,其特征在于,所述第二距离由第二神经网络获得,所述第二神经网络用于对抗地训练所述编码器部分以适配所述适配模型的所述参数。
5.根据权利要求4所述的方法,其特征在于,所述第二神经网络是一阶Wasserstein神经网络或Jensen-Shannon神经网络。
6.根据权利要求1至5中任一项所述的方法,其特...
【专利技术属性】
技术研发人员:格布里尔·欧斯梅兹奥瑞,厄兹古尔·额肯特,克里斯蒂安·劳吉尔,
申请(专利权)人:丰田自动车株式会社,国家信息及自动化研究院,
类型:发明
国别省市:日本;JP
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。