【技术实现步骤摘要】
本专利技术涉及图像语义分割，尤其涉及一种主动域适应语义分割方法、系统、设备及存储介质。
技术介绍
1、近年来，深度学习在计算机视觉领域取得了显著的进展。然而，深度学习模型通常需要大量高质量的标注数据来进行训练。对于语义分割等像素级预测任务而言，获取大规模标注数据集需要耗费巨大的时间和人力资源，因此人工标注数据集变得不切实际。
2、为了解决这个问题，研究者们提出了无监督域适应学习方法。该方法旨在利用在拥有大量标注样本的源域上学习到的知识，帮助模型在与源域相关但缺乏标注的目标域上进行学习。通过减小领域之间的差异，提高模型在目标域上的性能，从而降低目标域上的标注成本。尽管当前的无监督域适应学习方法通过减少源域和目标域之间的差异已经取得了较好的效果，但由于缺乏目标域标注信息的引导，域适应问题仍然没有完全解决。
3、为了进一步提升模型在目标域的性能，主动域适应学习方法被提出。该方法通过主动学习的方式选择少量最有价值的目标域样本进行标注，从而进一步指导模型的域适应学习。通过有针对性地选择标注样本，模型可以更好地学习目标域的特...
【技术保护点】
1.一种主动域适应语义分割方法，其特征在于，包括：
2.根据权利要求1所述的一种主动域适应语义分割方法，其特征在于，所述域适应模型预先使用源域标注数据和目标域无标注数据进行训练；所述超像素提取网络预先使用源域标注数据进行训练。
3.根据权利要求1所述的一种主动域适应语义分割方法，其特征在于，所述结合熵图确定每一超像素的平均熵，并根据平均熵的大小划分为两类表示为：
4.根据权利要求1所述的一种主动域适应语义分割方法，其特征在于，所述融合的设定条件为：
5.根据权利要求1所述的一种主动域适应语义分割方法，其特征在于，特征差异
【技术特征摘要】
1.一种主动域适应语义分割方法，其特征在于，包括：
2.根据权利要求1所述的一种主动域适应语义分割方法，其特征在于，所述域适应模型预先使用源域标注数据和目标域无标注数据进行训练；所述超像素提取网络预先使用源域标注数据进行训练。
3.根据权利要求1所述的一种主动域适应语义分割方法，其特征在于，所述结合熵图确定每一超像素的平均熵，并根据平均熵的大小划分为两类表示为：
4.根据权利要求1所述的一种主动域适应语义分割方法，其特征在于，所述融合的设定条件为：
5.根据权利要求1所述的一种主动域适应语义分割方法，其特征在于，特征差异的计算方式为：...
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。