【技术实现步骤摘要】
一种基于任务解构的无监督域自适应图像语义分割方法
[0001]本专利技术属于图像处理
,特别是涉及一种基于任务解构的无监督域自适应图像语义分割方法
。
技术介绍
[0002]图像语义分割是一项基础的计算机视觉任务
。
近年来,得益于深度学习技术的飞速发展,诸多图像语义分割相关的工作涌现出来,在自动驾驶
、
智能监控
、
医学图像分析等领域取得了巨大成功
。
然而,这些工作成功的通常依赖于大量的标注数据进行模型训练,昂贵的标注成本限制了这些方法在实际生活中的可用性
。
为了解决这一问题,研究学者们提出无监督域自适应
(Unsupervised Domain Adaptation,UDA)
算法,旨在利用一个与目标任务相关的有标注数据集
(
称之为源域
)
和一个目标任务上的无标注数据集
(
称之为目标域
)
来训练一个跨域的分割网络,从而实现在无需对目标域数据进行任何标注的情况下获得可观的分割性能
。
基于
UDA
的图像语义分割相关研究中,域对抗技术由于其强大的分布对齐能力和出色的性能表现,受到了广泛关注
。
[0003]尽管上述现有方法有效缓解了基于
UDA
的跨域图像语义分割中的域间隔问题,但仍存在两个潜在的由模型设计带来的问题,会限制跨域分割性能的提升
。
[0 ...
【技术保护点】
【技术特征摘要】
1.
一种基于任务解构的无监督域目适应图像语义分割方法,其特征在于,包括步骤:建立基于任务解构的无监督域自适应图像语义分割模型,包括:从特征提取器
E
中抽取一部分浅层的网络层作为一个浅层的目标域特征提取器
e
tgt
,同时构建一个与
e
tgt
同结构的孪生浅层特征提取器
e
src
用于提取源域的浅层特征;特征提取器
E
剩下的网络层作为一个共享的深层特征提取器
e
share
连接着
e
tgt
与
e
src
;基于任务解构的无监督域自适应图像语义分割模型的无监督域自适应图像语义分割方法,包括步骤:
S10
,给定源域输入图像
χ
S
和目标域输入图像
χ
T
,分别经过
e
src
和
e
tgt
后,得到源域浅层特征
ε
S
和目标域浅层特征
ε
T
;
S20
,
ε
S
和
ε
T
经过
e
share
后,分别得到源域的深层特征
f
S
和目标域的深层特征
f
T
;
S30
,
f
S
和
f
T
送入分割网络
H
后得到源域和目标域的预测结果
p
S
和
p
T
。2.
根据权利要求1所述的一种基于任务解构的无监督域自适应图像语义分割方法,其特征在于,在源域的预测结果
p
S
上采用交叉熵损失
L
ce
来训练源域的分割网络来训练源域的分割网络表示模块之间的连接
。3.
根据权利要求2所述的一种基于任务解构的无监督域自适应图像语义分割方法,其特征在于,将域对齐任务解构到
e
src
上,通过添加一个位于浅层的判别器
D
shall
使得源域的浅层特征分布向目标域靠近,损失计算为:其中表示判别器
D
shall
的输出在空间位置上所有元素的数目
。4.
根据权利要求3所述的一种基于任务解构的无监督域自适应图像语义分割方法,其特征在于,在输出层面上添加...
【专利技术属性】
技术研发人员:王艳,侯云,陈颖,刘红伟,周激流,
申请(专利权)人:中国电子科技集团公司第十研究所,
类型:发明
国别省市:
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。