一种恶劣天气场景下的道路目标识别方法、系统及介质技术方案

本发明专利技术公开一种恶劣天气场景下的道路目标识别方法、系统及介质，方法为：构建道路目标识别模型；获取源域数据、目标域数据以及保留域数据；将目标域数据输入风格随机化模块中转换得到新目标域数据；在学生网络上使用源域数据进行有监督训练并反向梯度更新学生网络的参数；使用学生网络的参数同步更新教师网络的参数，在教师网络上使用保留域数据或新目标域数据进行无监督训练，并将预测结果输入输出空间融合模块中得到对应的伪标签；采用交替混合策略对道路目标识别模型进行迭代训练直至模型收敛，得到目标域数据的预测结果。本发明专利技术能够胜任雾天、雨天、雪天以及夜晚等多种恶劣场景下的道路识别任务，实现全面的域泛化能力，适应各种不良条件。

【技术实现步骤摘要】

本专利技术属于深度学习及道路目标识别的，具体涉及一种恶劣天气场景下的道路目标识别方法、系统及介质，应用于自动驾驶领域，实现晴朗天气到多种恶劣天气场景的高效适用。

技术介绍

1、在自动驾驶领域，常见的道路目标识别算法只能在常规环境下识别各种物体，而现实生活中经常会遇到各种极端天气，比如雾天、雨天和雪天等，这些极端天气下充满噪音的图像信息会对一般的道路目标识别系统造成较大干扰，从而影响自动驾驶系统的准确性和安全性。

2、过去的道路目标识别系统基于无监督领域自适应(unsupervised domainadaptation,uda)的语义分割技术来完成跨场景的物体识别，其骨干网络多基于卷积神经网络(convolution neural network)，例如refinenet系列和deeplab系列；其中较为流行的框架包括cuda-net(基于deeplab)和fogadapt(基于refinenet)等。然而，在计算机视觉(cv)领域引入transformer模型后，大批后续工作刷新了图像分类、识别以及分割等各个方向的性能指标。由于transfor本文档来自技高网...

【技术保护点】

1.一种恶劣天气场景下的道路目标识别方法，其特征在于，包括下述步骤：

2.根据权利要求1所述的一种恶劣天气场景下的道路目标识别方法，其特征在于，所述风格随机化模块基于风格增强策略使用卷积神经网络进行构建，包括风格转换网络和风格预测网络；所述风格随机化模块与教师网络相连；

3.根据权利要求2所述的一种恶劣天气场景下的道路目标识别方法，其特征在于，所述得到新目标域数据，具体为：

4.根据权利要求2所述的一种恶劣天气场景下的道路目标识别方法，其特征在于，所述得到对应的伪标签，具体为：

5.根据权利要求4所述的一种恶劣天气场景下的道路目标识别方法，...

【技术特征摘要】

1.一种恶劣天气场景下的道路目标识别方法，其特征在于，包括下述步骤：

2.根据权利要求1所述的一种恶劣天气场景下的道路目标识别方法，其特征在于，所述风格随机化模块基于风格增强策略使用卷积神经网络进行构建，包括风格转换网络和风格预测网络；所述风格随机化模块与教师网络相连；

3.根据权利要求2所述的一种恶劣天气场景下的道路目标识别方法，其特征在于，所述得到新目标域数据，具体为：

4.根据权利要求2所述的一种恶劣天气场景下的道路目标识别方法，其特征在于，所述得到对应的伪标签，具体为：

5.根据权利要求4所述的一种恶劣天气场景下的道路目标识别方法，其特征在于，所述道路目标识别模型进行迭代训练时，保留域数据在偶次迭代训练中进行输入，目标域数据在奇次迭代训练中进行输入。

6.根据权利要求2所述的一种...

【专利技术属性】
技术研发人员：吉振明，龚子洋，
申请(专利权)人：中山大学，
类型：发明
国别省市：