【技术实现步骤摘要】
本申请属于计算机视觉，涉及一种语义分割技术，特别涉及一种基于循环自优化机制与无监督自适应的夜间语义分割方法。
技术介绍
1、夜间语义分割是计算机视觉领域中，针对夜间场景图像进行的一项重要任务。其主要目标是为输入的夜间图像中的每个像素分配对应的语义标签，输出带有语义类别标注的图像。这在众多实际应用场景中发挥着不可或缺的作用，特别是在自动驾驶领域，夜间行驶时车辆需要依靠语义分割技术实时识别道路、交通标志、其他车辆和行人等，为行驶决策提供依据，保障行车安全。
2、在现有技术中，基于卷积神经网络（cnn）的语义分割模型已在标准光照数据集上取得显著成果。常规技术路径包含多种实现方式：一些采用昼间场景预训练模型，通过有限样本微调或跨域迁移学习进行夜间场景适配；一些基于无源域自适应（source-freedomain adaptation）框架，利用源域模型对目标域数据生成伪标签，并通过迭代优化实现模型自训练。
3、然而，由于夜间图像存在显著的光照衰减和噪声干扰特性，直接应用上述方法将导致两方面技术缺陷：（1）源域知识退化问题...
【技术保护点】
1.一种基于循环自优化机制与无监督自适应的夜间语义分割方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，源域数据集表示为，目标域数据集表示为，其中表示图像，y表示语义标签，和分别表示源域和目标域上的图像数量。
3.根据权利要求2所述的方法，其特征在于，在源域数据集上通过全监督训练获取初始源模型，包括：以交叉熵损失用作优化目标，采用完全监督方法在源域数据集上训练源域模型，得到初始源模型，其中表示模型的参数。
4.根据权利要求1所述的方法，其特征在于，所述模型参数动态聚合，包括：在每一轮循环里，将当前经过优化的源模型参...
【技术特征摘要】
1.一种基于循环自优化机制与无监督自适应的夜间语义分割方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，源域数据集表示为，目标域数据集表示为，其中表示图像，y表示语义标签，和分别表示源域和目标域上的图像数量。
3.根据权利要求2所述的方法，其特征在于，在源域数据集上通过全监督训练获取初始源模型，包括：以交叉熵损失用作优化目标，采用完全监督方法在源域数据集上训练源域模型，得到初始源模型，其中表示模型的参数。
4.根据权利要求1所述的方法，其特征在于，所述模型参数动态聚合，包括：在每一轮循环里，将当前经过优化的源模型参数保...
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。