[发明专利]一种不确定区域发现与模型改进的道路分割方法及装置

说明书

本发明公开了一种不确定区域发现与模型改进的道路分割方法及装置，首先使用来自源域的标记数据来学习初始分割模型，然后初始分割模型在目标域中进行自训练得到不同分割模型，通过对比来自不同分割模型的分割结果确定目标域图像中的不确定区域并进行标记，从而解决伪标签中的冗余和噪声导致的分割模型性能下降问题；然后再根据标记信息对模型进行优化，采用师生模块，学生模型专注于合并新的标记信息，而教师模型平衡历史模型和标记信号以防止对标记区域的过度拟合；新优化分割模型再次进行自训练得到不同分割模型，重复上述步骤，直到达到设定的停止条件。

技术领域

本发明涉及道路分割技术，尤其是涉及一种不确定区域发现与模型改进的道路分割方法及装置。

背景技术

在过去的十年中，道路分割一直是一个活跃的研究领域。它在交通场景图像中检测和划分道路区域，是交通信号处理的基本模块，常应用于交通监控、自动驾驶、图像检索、场景理解等。当从源域图像学习的原始分割模型应用到目标域图像，尤其是更具挑战性的目标域图像时，由于新的测试数据与训练数据分布不同，原始分割模型难以保持原有的识别能力。大量耗费人力与时间的像素级标注和微调分割模型是不切实际的。无监督域自适应通过最小化源域图像的特定于任务的损失和领域对抗性损失，或者用生成的特定于目标的伪标签重新训练模型来将源域的知识转移到目标域，或者用生成的目标特定伪标签重新训练模型。第二种方法叫做自我训练法，该方法通过引入强假设来减少伪标签中的冗余和噪声，而在领域自适应方面，虽然自训练方法会产生伪标签来重新训练模型，但伪标签中的冗余和噪声会导致模型的改进有限。

发明内容

为解决现有技术的不足，实现提高道路分割准确性的目的，本发明采用如下的技术方案：

一种不确定区域发现与模型改进的道路分割方法，包括如下步骤：

步骤S1，获取从源域图像学习的初始分割模型，将初始分割模型在目标域中进行自训练，得到目标域自训练分割模型，目标域自训练分割模型包括一个共享编码器和分别与共享编码器连接的一组并行的解码器，通过不同解码器输出的分割结果，确定目标域图像中的不确定区域并进行标记，从而解决伪标签中的冗余和噪声导致的模型提升有限的问题；

步骤S2，模型优化，将手动标记获得的不确定区域的监督信息，合并到初始分割模型中，对初始分割模型进行优化，基于优化后的初始分割模型构建学生分割模型；基于源域训练的初始分割模型构建教师分割模型，利用学生分割模型参数，更新教师分割模型；利用师生模型防止将优化重心放在不确定区域上而忽略了最初具有良好预测的区域，该方法既考虑了源域数据的先验信息，又考虑了目标域数据的校正信息，避免了标注区域学习的过拟合问题；

步骤S3，更新后的教师分割模型作为初始分割模型，在目标域中再次进行自训练，重复上述步骤，直到达到设定的停止条件，完成训练后，将最终的教师分割模型作为目标域的道路分割模型。

进一步地，所述步骤S1中的初始分割模型，通过带标签的源域图像数据集训练得到，基于真实的分割掩码图像的每个像素，及训练初始分割模型时预测的分割掩码图像，采用交叉熵代价函数训练初始分割模型。

进一步地，所述步骤S1的目标域自训练分割模型，通过目标域图像数据集训练初始分割模型得到，将初始分割模型的编码器和解码器参数，作为初始化的目标域自训练分割模型编码器和解码器的参数，对初始分割模型与目标域自训练分割模型的编码器输出，计算编码器的交叉熵代价函数，并基于目标域图像数量求均值，对初始分割模型与目标域自训练分割模型的解码器输出，计算的解码器的交叉熵代价函数，通过均值与解码器的交叉熵代价函数，构建最小化自训练代价函数，对目标域自训练分割模型进行训练。

进一步地，所述步骤S1的确定目标域图像中的不确定区域，是对于同一区域，通过目标域自训练分割模型的一组并行编码器后，在一个解码器输出中检测到但在其他并行的解码器输出中没有检测到的区域为不确定的区域。