申请/专利权人：北京工业大学

申请日：2020-08-06

公开（公告）日：2024-06-21

公开（公告）号：CN112116593B

主分类号：G06T7/10

分类号：G06T7/10;G06N3/0464;G06N3/084;G06N3/088

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2021.01.08#实质审查的生效;2020.12.22#公开

摘要：本发明公开了一种基于基尼指数的领域自适应语义分割方法，利用基尼指数度量输出预测的不确定性，在输出层对目标域输出预测进行不确定性度量及约束，减小源域和目标域在类别分布上的差异，进行域间自适应；依据基尼指数对目标域预测的不确定性度量结果将目标域样本集划分为两个子集，对域内高置信度预测对应的样本利用伪标签作为弱监督信息训练域内自适应分割网络，对域内自适应分割网络两个子集的输出预测计算基尼指数图，对低置信度样本计算的基尼指数图进行约束，并利用判别器Dt判别基尼指数图属于哪个子集，基于对抗思想减小目标域域内的差异，提高语义标注精度。与现有技术相比较，本发明显著提高了目标域的语义标注准确率。

主权项：1.一种基于基尼指数的领域自适应语义分割方法，其特征在于：利用基尼指数度量输出预测的不确定性，在输出层对目标域输出预测进行不确定性度量及约束，减小源域和目标域在类别分布上的差异，进行域间自适应；依据基尼指数对目标域预测的不确定性度量结果将目标域样本集划分为两个子集，对域内高置信度预测对应的样本利用伪标签作为弱监督信息训练域内自适应分割网络，对域内自适应分割网络两个子集的输出预测计算基尼指数图，对低置信度样本计算的基尼指数图进行约束，并利用判别器Dt判别基尼指数图属于哪个子集，基于对抗思想减小目标域域内的差异，提高语义标注精度；具体方法步骤如下：步骤1，将源域数据集和目标域数据集各取一张RGB图片，batchsize为2，同时输入域间自适应语义分割网络Gst；步骤2，利用域间自适应语义分割网络Gst得到源域和目标域的最后两层的输出预测分割图；步骤3，将源域最后两层的输出预测图分别和源域图片的groundtruth计算交叉熵损失，并将源域最后两层的损失进行加权求和；步骤4，将目标域最后两层的输出预测图分别利用基尼指数计算不确定性损失，并将目标域最后两层的损失加权求和；步骤5，将步骤3得出的源域最后两层的损失加权求和值和步骤4的目标域最后两层的损失加权求和值进行求和，为了训练最优化模型，我们的目标是利用误差反向传播使得损失最小化，得到最优结果；步骤6，依据训练好的域间自适应语义分割网络Gst的基尼指数结果对目标域数据集划分为高置信度数据集和低置信度数据集；步骤7，将划分后的目标域数据集作为域内自适应网络的输入数据集，每次输入一张RGB图片，利用域内自适应语义分割网络Gt分别得到高置信度数据集和低置信度数据集的最后两层的输出预测分割图；步骤8，将高置信度数据集最后两层的输出预测图分别和利用域间自适应分割网络Gst得到的高置信度数据集的伪标签计算交叉熵损失，并将两层的损失进行加权求和；步骤9对域内自适应语义分割网络Gt得到高置信度数据集和低置信度数据集的最后两层的输出预测分割图计算基尼指数图，分别得到高置信度图像两层加权求和后的基尼指数图和低置信度图像两层加权求和后的基尼指数图；步骤10将低置信度最后两层的加权求和的基尼指数图计算不确定性损失；步骤11将高置信度图像两层加权求和后的基尼指数图和低置信度图像两层加权求和后的基尼指数图输入到判别器，分别贴上域标签1和0，与域内语义分割网络对抗，计算对抗损失；步骤12，将步骤8、步骤10、步骤11的损失加和，为了训练最优化模型，目标是利用误差反向传播使得损失最小化，得到最优结果；测试时，利用真实数据集即目标域作为输入，在域间自适应网络和域内自适应网络得到测试结果。

全文数据：

权利要求：

百度查询： 北京工业大学 一种基于基尼指数的领域自适应语义分割方法

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