申请/专利权人：中国科学院自动化研究所

申请日：2021-06-18

公开（公告）日：2024-04-09

公开（公告）号：CN113627433B

主分类号：G06V10/26

分类号：G06V10/26;G06V10/774;G06V10/82;G06N3/0464

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2021.12.03#实质审查的生效;2021.11.09#公开

摘要：本发明提供的一种基于数据扰动的跨域自适应语义分割方法及装置，该方法包括，获取待处理数据以及添加数据扰动后的语义分割特征；基于所述待处理数据以及所述语义分割特征确定损失函数；基于所述损失函数通过误差反向传播算法训练模型得到跨域自适应语义分割模型，通过对目标域中大量无标签数据，本发明对这部分数据随机加入扰动，并保证经过扰动处理的图像能够保持语义的一致性，从数据扰动和跨域原型分类器两个角度解决了源域和目标域之间的领域不一致问题，并且针对在现实应用中更具实际应用价值的少量监督问题做了针对性的设计，并在基于对抗的学习框架下，取得了优秀的分割性能，将现有的标注样本的知识迁移到新数据模型中。

主权项：1.一种基于数据扰动的跨域自适应语义分割方法，其特征在于，包括：获取待处理数据以及添加数据扰动后的语义分割特征；所述待处理数据包括：有标签的源域数据有标签的目标域数据和无标签的目标域数据其中，ns、nt和nu分别依次表示源域数据的数量、有标签的目标域的数量以及无标签的目标域数据的数量；基于所述待处理数据以及所述语义分割特征确定损失函数；基于所述损失函数通过误差反向传播算法训练模型得到跨域自适应语义分割模型；所述基于所述待处理数据以及所述语义分割特征确定损失函数包括：将基于有标签的源域数据特征Fs＝Gxs以及无标签的目标域数据特征Fu＝Gxu传入到领域判别器网络，得到数据来源结果；所述判别器网络用于判别输出的特征来自于源数据或目标域数据；基于所述数据来源结果构建对抗损失函数：其中，E表示期望，px表示数据x来自于分布px；基于有标签的源域数据以及有标签的目标域数据构造基于标签监督信息的语义分割损失： 其中lseg表示交叉熵损失，并且在数据x和标签y之间的定义为：H、W表示图像长和宽并且C代表分割类别总数；构造基于原型分类器的迁移损失，所述迁移损失包括：类别层面的适应损失其中和分别表示基于源域数据和目标域数据得到的类别原型；任务层面对齐损失：Ltaskxu＝DKLPsG,xu||PtG,xu，DKL表示KL散度约束；基于有标签的源域数据构造出基于有监督的语义分割损失 其中，H，W，C分别表示图像的长宽以及类别；基于无标签的目标域数据构造语义一致性损失Ls_cycG＝DKLPuG,xu||PaG,xa；其中，所述获取待处理数据以及添加数据扰动后的语义分割特征包括：获取待处理数据；对所述无标签的目标域数据添加随机扰动，得到扰动后的目标域图像数据基于所述待处理数据以及所述目标域图像数据处理得到各自对应的语义分割特征；所述语义分割特征包括：有标签的源域数据特征Fs＝Gxs，有标签的目标域数据特征Ft＝Gxt，无标签的目标域数据特征Fu＝Gxu以及扰动后的目标域图像数据特征Fa＝Gxa。

全文数据：

权利要求：

百度查询： 中国科学院自动化研究所 基于数据扰动的跨域自适应语义分割方法及装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD