[发明专利]跨域自适应语义分割方法及系统

权利要求书

1.一种跨域自适应语义分割方法，其特征在于，所述跨域自适应语义分割方法包括：

获取不同域训练数据集，所述训练数据集包括有标签的源域数据和无标签的目标域数据；

执行以下操作，对所述训练数据集进行迭代训练，建立熵值预测模型：

针对每一次迭代，基于对抗学习网络，根据所述源域数据及目标域数据，得到第一预测模型；

根据所述第一预测模型，确定所述目标域数据中各类别的平均熵；

筛选出平均熵最高的K个类别的目标域数据，采用软采样方法进行重采样；

根据重采样数据，得到第二预测模型；

根据所述第二预测模型，再次计算筛选出的K个类别的目标域数据的平均熵，确定是否有变化，如果有变化，则调整模型参数，进行下次迭代，直至得到迭代阈值结束；如果没有变化，则当前的第二预测模型为熵值预测模型；

根据所述熵值预测模型，计算所述目标域数据的熵值；

对各熵值进行多元高斯拟合，通过最大期望算法，得到两个峰值的高斯分布；

根据所述高斯分布，确定目标域数据的伪标签；

根据目标域的伪标签，重新训练目标域数据，构造基于伪标签的语义分割模型；

基于所述语义分割模型，对待处理数据，进行语义分割。

2.根据权利要求1所述的跨域自适应语义分割方法，其特征在于，所述基于对抗学习网络，根据所述源域数据及目标域数据，得到第一预测模型，具体包括：

根据所述源域数据及对应的标签，构造语义分割损失函数；

基于对抗学习网络，根据所述源域数据及目标域数据，确定对抗学习损失函数；

基于语义分割损失函数、对抗学习损失函数，及所述目标域数据，确定第一预测模型。

3.根据权利要求2所述的跨域自适应语义分割方法，其特征在于，根据以下公式，确定语义分割损失函数L_seg(x_s,y_s)：

其中，H表示源域图像的长，W表示源域图像的宽，C表示源域图像的类别；h,w表示像素位置，c表示该像素类别，x_s表示源域图像，y_s表示源域图像x_s对应的标签数据，表示在位置(h,w)处类别c的值，表示位置(h,w)处类别c的预测结果。

4.根据权利要求2所述的跨域自适应语义分割方法，其特征在于，根据以下公式，确定对抗学习损失函数L_adv(x_s,x_t)：

其中，D表示领域判别器函数，x_s表示源域图像，x_t表示目标域图像，表示在源域图像x_s上的期望、表示在目标域图像x_t上的期望，表示针对源域图像x_s的预测结果，表示针对目标域图像x_t的预测结果。

5.根据权利要求1所述的跨域自适应语义分割方法，其特征在于，根据以下公式，确定所述目标域数据中各类别的平均熵

其中，C表示源域图像的类别；h,w表示像素位置，c表示该像素类别，x_t表示目标域图像，表示在位置(h,w)处类别c的预测结果。

6.根据权利要求1所述的跨域自适应语义分割方法，其特征在于，所述筛选出平均熵最高的K个类别的目标域数据，采用软采样方法进行重采样，具体包括：

根据公式进行重采样，得到重采样数据p_ins(x)；

其中，λ表示超参数，w_i表示类别i的重采样权重，p_i(x)表示样本x中类别i的采样概率，y_i表示类比为i的标签值，s_i表示类别i的像素数。

7.根据权利要求1-6中任一项所述的跨域自适应语义分割方法，其特征在于，在进行迭代训练之前，还包括：

对训练数据集进行归一化处理，得到统一大小的训练数据集。