买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京工业大学

摘要：本发明公开了一种无监督领域自适应语义分割方法，基于源域图像训练神经网络；利用已训练网络计算目标域图像伪标签；利用源域图像和有伪标签的目标域图像重训练网络，进一步提高伪标签准确性，优化网络的泛化能力。本方法通过利用自训练方法，利用已训练网络提取高置信度的目标域伪标签，弥补了目标域缺少监督信息的缺点，与其他方法相比，丰富了目标域数据的信息，提升网络对目标域数据的学习能力；本方法着重考虑了基于类别的域间差异，针对源域和目标域的预测进行类相关性度量，约束两个域的类相关性一致，减小了两个域类级别的域间差异，提高了网络的泛化能力，本发明的性能优于其他无监督领域自适应语义分割方法。

主权项：1.一种无监督领域自适应语义分割方法，其特征在于：具体包含以下步骤：步骤1，基于源域图像训练神经网络；步骤2，利用已训练网络计算目标域图像伪标签；步骤3，利用源域图像和有伪标签的目标域图像重训练网络；步骤4，重复步骤2、3，提高伪标签准确性，优化网络的泛化能力；步骤1中，步骤1.1，随机初始化网络参数；步骤1.2，将源域图像与其对应标签输入网络，利用源域标签进行监督训练，计算交叉熵损失，通过反向传播优化网络参数，使网络对于源域图像具有较高的语义分割能力；步骤1.3，保存经过训练的网络参数；步骤2中，步骤2.1，加载已训练网络参数；步骤2.2，将目标域图像输入网络，输出目标域预测图，统计所有目标域预测图的各类别预测概率值；步骤2.3，对各类别预测概率值进行由大及小排序，取各类别前20％的值作为伪标签阈值；步骤2.4，利用伪标签阈值，限定目标域预测图，对于最大预测类别概率值高于阈值的像素进行标注，保存并作为目标域图像伪标签；步骤3中，步骤3.1，加载已训练网络参数；步骤3.2，将带标签或伪标签的源域图像和目标域图像进行随机匹配，成对输入网络，得到两域特征及预测图；步骤3.3，利用两域预测图和各自标签或伪标签，分别计算两域交叉熵损失；步骤3.4，将两域特征与其各自标签或伪标签输入类别级相关性度量模块；步骤3.5，统计输入的标签和伪标签的公共类别，对于公共类别，分别计算两域类别级独热掩膜；步骤3.6，将两域特征与其对应的类别级独热掩膜进行维度变换，统一维度后相乘，得到两域类表示矩阵；步骤3.7，计算两域类表示矩阵的类相关矩阵，并将两域类相关矩阵对应元素相减，求绝对值之和，以此作为类相关损失；步骤3.8，将步骤3.3与步骤3.7损失合并，作为总损失，进行反向传播，期望网络总损失最小，优化网络对目标域图像的语义分割能力；步骤3.9，保存重训练后的网络参数。

全文数据：

权利要求：

百度查询： 北京工业大学 一种无监督领域自适应语义分割方法