[发明专利]分割网络训练方法、装置、设备、计算机程序以及介质

说明书

本发明提供了分割网络训练方法，装置、电子设备及服务器，方法包括：通过所述源域数据集合，得到经过训练的基础分割网络；通过基础分割网络，提取源域数据集合对应的第一原型向量；通过基础分割网络，提取目标域数据集合对应的目标特征向量；根据所述第一原型向量和所述目标特征向量的相似性函数，进行对比迁移处理，确定所述基础分割网络的迁移损失函数；通过所述迁移损失函数，对所述基础分割网络进行调整，得到第一分割网络；利用所述目标特征向量对所述第一原型向量进行更新，得到第二原型向量；通过所述第二原型向量对所述第一分割网络进行调整，得到第二分割网络，由此，在兼顾了训练精确性的同时，使得分割网络的泛化能力更强。

技术领域

本发明涉及图像信息处理技术，尤其涉及分割网络训练方法、装置、电子设备、计算机程序产品以及存储介质，使得本方案可应用的领域包括但不限于自动驾驶、车联网、智慧交通等领域。

背景技术

语义分割是对图像中的每一个像素赋予一个语义标签。目前基于深度学习的语义分割方法需要大规模的人工精细化标注，而精细化标注的时间和人力成本极高，因此利用已有的有标注源域数据训练模型，在无标注的目标域上进行有效推理，进而在目标域上实现无监督的语义分割，此种方法称为无监督域适应语义分割，无监督域适应语义分割任务，其核心在于缩小源域与目标域之间的域间差异，使得在源域上训练的模型在目标域上的泛化能力尽可能地强。目前主流的域适应策略可以分为基于距离优化的方法和基于对抗生成网络(Generative Adversarial Network，GAN)的方法，前者通过构建距离评价策略，通过最小化源域特征与目标域特征分布之间的距离来实现域适应；后者通过对抗生成策略来实现模型对域间差异的泛化能力。但是，实际使用中往往会遇到测试场景的数据和模型训练数据不完全一致的情况，需要重新进行人工标注，增加了模型训练成本。

发明内容

有鉴于此，本发明实施例提供一种分割网络训练方法、装置、电子设备、计算机程序产品以及存储介质，本发明实施例的技术方案是这样实现的：

本发明实施例提供了一种分割网络训练方法，包括：

获取源域数据集合与目标域数据集合，其中，所述源域数据集合携带标签，所述目标域数据集合未携带标签；

通过所述源域数据集合，对基础分割网络进行训练，得到经过训练的基础分割网络；

通过所述基础分割网络，提取所述源域数据集合对应的第一原型向量；

通过所述基础分割网络，提取所述目标域数据集合对应的目标特征向量；

根据所述第一原型向量和所述目标特征向量的相似性函数，进行对比迁移处理，确定所述基础分割网络的迁移损失函数；

通过所述迁移损失函数，对所述基础分割网络进行调整，得到第一分割网络；

利用所述目标特征向量对所述第一原型向量进行更新，得到第二原型向量；

通过所述第二原型向量对所述第一分割网络进行调整，得到第二分割网络。

本发明实施例还提供了一种分割网络训练装置，包括：

信息传输模块，用于获取源域数据集合与目标域数据集合，其中，所述源域数据集合携带标签，所述目标域数据集合未携带标签；

训练模块，用于通过所述源域数据集合，对基础分割网络进行训练，得到经过训练的基础分割网络；

所述训练模块，用于通过所述基础分割网络，提取所述源域数据集合对应的第一原型向量；

所述训练模块，用于通过所述基础分割网络，提取所述目标域数据集合对应的目标特征向量；

所述训练模块，用于根据所述第一原型向量和所述目标特征向量的相似性函数，进行对比迁移处理，确定所述基础分割网络的迁移损失函数；