CN112699892A - 一种无监督领域自适应语义分割方法 - Google Patents

一种无监督领域自适应语义分割方法 Download PDF

Info

Publication number
CN112699892A
CN112699892A CN202110026447.6A CN202110026447A CN112699892A CN 112699892 A CN112699892 A CN 112699892A CN 202110026447 A CN202110026447 A CN 202110026447A CN 112699892 A CN112699892 A CN 112699892A
Authority
CN
China
Prior art keywords
domain
network
image
target domain
class
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110026447.6A
Other languages
English (en)
Inventor
王立春
高宁
王少帆
孔德慧
李敬华
尹宝才
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN202110026447.6A priority Critical patent/CN112699892A/zh
Publication of CN112699892A publication Critical patent/CN112699892A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

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。

Description

一种无监督领域自适应语义分割方法
技术领域
本发明属于模式识别与计算机视觉领域，可应用于自动驾驶、机器人视觉导航。
背景技术
语义分割即对图像中每一个像素点进行分类，确定每个点的类别，从而进行区域划分。随着机器学习算法的发展，语义分割模型已有了较好的分割效果。但是，传统的机器学习算法都假设训练数据和测试数据遵循相同的分布，而在现实应用中，这种假设往往是不成立的。如果不满足该假设，则需要使用新的训练数据来重建大多数统计模型。但是，为每个新任务或新领域收集和标注数据集是一个非常昂贵且耗时的过程，并且满足训练要求的数据不一定充足。如果训练数据和测试数据的分布差异很大，传统机器学习算法训练出来的分类器性能就将大大降低，尤其是依赖于大规模标注数据集的深度网络方法的优势也将消失。无监督领域自适应语义分割基于有标签源域数据和无标签目标域数据训练模型，学习一个能够适应目标域数据分布的有较好语义分割效果的模型。自动驾驶、机器人导航和视频监控等应用场景难以获得大规模高质量标注数据，对于性能良好的无监督领域自适应语义分割模型有着较为强烈的需求。
如何学习领域之间的共性，减小目标域(无标签数据集)和源域(有标签数据集)之间的差异，使分类器从源域适配到目标域，是无监督领域自适应要解决的主要问题。其通常采用的策略包括：图像级别的自适应、特征级别的自适应和输出级别的自适应。图像级别的自适应通过对输入图像的风格转换，使得源域和目标域在输入空间的分布更近，但这种风格转换的判断条件过于主观，且风格迁移过程中对样本也会产生一些例如形状偏移的不利影响，从而影响自适应效果；特征级别的自适应，考虑特征的相互融合，典型方法是利用域判别器进行对抗训练，以期使特征提取器获得具有域不变性质的特征，通常利用分类网络判断域不变性，不能保证其迁移的有效性；输出级别的自适应针对模型输出的预测结果，减小两域的域间差异，但是这种策略通常依赖像素级或区域级的域对齐，局部对齐有可能将原本较为匹配类别的分布距离拉大，产生“负迁移”。
半监督学习使用大量未标注数据的同时使用一些标注数据进行模式识别工作，这与无监督领域自适应中利用有标签源域学习模型再对无标签目标域进行高精度标注的任务有相似之处，所以半监督学习中的一些成熟方法例如自训练方法可借鉴，应用于解决无监督领域自适应。自训练方法利用伪标签进行监督训练，能够有效缓解数据无标签的问题，但是这种方法应用于无监督领域自适应也存在明显弊端，即伪标签的设定太过依赖源域数据和人为阈值限定。
发明内容
针对无监督领域自适应任务中减小源域和目标域域间差异的问题，本发明提出在输出空间中约束源域和目标域的类别相关性一致，减小源域和目标域在输出空间的域间差异。
本发明提出一种新的无监督领域自适应语义分割方法，一方面利用自训练提升模型对目标域数据的学习能力；另一方面，约束源域预测和目标域预测的类别相关性一致，减小源域和目标域的域间差异，从而提高目标域的语义分割准确率。具体包含以下三个步骤：
步骤1，基于源域图像训练神经网络；
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，利用已训练网络计算目标域图像伪标签
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，利用源域图像和有伪标签的目标域图像重训练网络
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；
步骤4，重复步骤2、3，进一步提高伪标签准确性，优化网络的泛化能力。
与现有技术相比，本发明具有以下优点：
1)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；
2)本方法相比于其他传统方法，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。
3)通过实验证明，本发明的性能优于其他无监督领域自适应语义分割方法。
附图说明
图1为无监督领域自适应语义分割方法的网络结构。
图2为分类器σ的结构
图3为源域图像和目标域图像的类别级相关性损失Lcorr的计算过程图。
具体实施方式
以下结合附图和实施例对本发明进行详细说明。
1、网络结构：
本发明提出的无监督领域自适应语义分割方法的总体网络结构如图1所示，其中主体网络采用基于ResNet101的Deeplab-V2框架，ResNet101作为基础网络的部分是特征提取器G，ASPP模块是分类器σ。特征提取器的结构参数如表1所示，其中卷积层Conv_1包含64个stride＝2且padding＝3的7×7滤波器；Conv_2、Conv_3、Conv_4、Conv_5为四个block，各block分别包括3、4、23、3个残差模块，使用ReLU作为激活函数。
将Conv_5输出的特征传入分类器σ，σ的输出最终特征图是原图的1/8，用双线性插值将σ输出的特征图恢复到原图大小，使用softmax计算各类的预测概率值进而得到最终语义分割结果。分类器σ的结构如图2所示，其详细参数如表2所示。
2、网络训练过程
1)利用源域图像训练网络。
网络输入为源域图像及其标签(Is，Ys)，其中
Figure BDA0002890421870000041
表示源域图像，
Figure BDA0002890421870000042
Figure BDA0002890421870000043
记录图像Is的标签，即如果第n个像素属于第c类则
Figure BDA0002890421870000044
网络损失函数是公式(1)定义的交叉熵损失函数：
Figure BDA0002890421870000045
其中，N＝H×W，θ表示网络参数，n表示像素点索引，K表示类别的数量，
Figure BDA0002890421870000046
表示源域图像Is的第n个像素是否标注为类别c，标注为类别c其值为1否则为0，
Figure BDA0002890421870000047
表示网络输出的图像Is的第n个像素预测为第c类的概率值。
2)利用网络计算目标域图像的伪标签。
网络输入为目标域图像，输出为目标域图像的预测标签。对于任意的目标域图像
Figure BDA0002890421870000048
定义
Figure BDA0002890421870000049
为其伪标签，伪标签的值依据网络对该像素的预测生成，记
Figure BDA00028904218700000410
且
Figure BDA00028904218700000411
表示网络对目标域图像It的第n个像素的预测，则
Figure BDA00028904218700000412
其中c∈{1，2，...，K}。
依据网络输出的目标域图像It的第n个像素预测为c类的概率值
Figure BDA00028904218700000413
计算
Figure BDA00028904218700000414
具体计算方式如公式(2)：
Figure BDA0002890421870000051
其中，αc表示第c类的阈值。
αc的计算方式是：对目标域图像中所有预测为第c类的像素点按照预测概率值由大及小进行排序，前20％位置的像素的预测概率值即为αc。
3)利用源域图像和有伪标签的目标域图像训练网络。
网络输入为随机匹配的一对源域图像Is和目标域图像It。网络损失函数为L(Is，It)＝Lsce+Ltce+λaLcorr，其中Lsce是源域图像Is的交叉熵损失，计算方式如公式(1)；Ltce是目标域图像It的交叉熵损失，计算方式如公式(3)；λa是超参数，Lcorr是源域图像和目标域图像的类相关损失，计算方式如公式(10)。
公式(3)定义了目标域图像It的交叉熵损失：
Figure BDA0002890421870000052
其中
Figure BDA0002890421870000053
表示目标域图像It的第n个像素在步骤2)是否被网络预测为类别c，预测为类别c则其值为1否则为0，
Figure BDA0002890421870000054
表示当前网络将图像It的第n个像素预测为第c类的概率值。
图3示意了源域图像和目标域图像的类别级相关性损失Lcorr的计算过程。首先计算源域图像Is和目标域图像It的公共标签集合
Figure BDA0002890421870000055
记集合U的元素数量为KU即KU＝|U|。
源域图像Is经由图1网络的ASPP模块得到的特征记为
Figure BDA0002890421870000056
目标域图像It经由图1网络的ASPP模块得到的特征记为
Figure BDA0002890421870000057
然后，利用特征Fs对应的源域图像的真实标签Ys制作独热掩膜
Figure BDA0002890421870000058
Figure BDA0002890421870000059
同样，利用特征Ft对应的目标域图像的伪标签
Figure BDA00028904218700000510
制作独热掩膜
Figure BDA00028904218700000511
Figure BDA00028904218700000512
其中u∈U。
Figure BDA00028904218700000513
Figure BDA00028904218700000514
利用独热掩膜Ms和Mt对特征Fs和Ft进行逐类别剥离，对Fs和Ft进行reshape操作使其维度为
Figure BDA0002890421870000061
分别记为
Figure BDA0002890421870000062
和
Figure BDA0002890421870000063
同理对Ms和Mt也进行reshape操作使其维度为
Figure BDA0002890421870000064
分别记为
Figure BDA0002890421870000065
和
Figure BDA0002890421870000066
使用公式(6)和(7)求得类表示矩阵
Figure BDA0002890421870000067
和
Figure BDA0002890421870000068
Figure BDA0002890421870000069
Figure BDA00028904218700000610
对源域和目标域分别计算类相关矩阵As和At，如公式(8)、(9)所示，E(X)表示X的期望。
Figure BDA00028904218700000611
Figure BDA00028904218700000612
其中1≤i≤KU且1≤i≤KU，基于源域和目标域的类相关矩阵As和At，计算类相关损失Lcorr。
Figure BDA00028904218700000613
4)重复步骤2)至步骤3)直到网络最大训练轮次。
实验详细设置
1、实验数据集
本发明提出的方法在常用的无监督自适应数据集GTA5-Cityscapes上进行了实验，其中合成数据集GTA5作为源域，真实数据集Cityscapes为目标域。模型在Cityscapes验证集上进行评价。
·GTA5：合成数据集GTA5包含24966幅分辨率为1914×1052的合成图像和相应的ground-truth。这些合成图像是从一个基于洛杉矶市的城市风光视频游戏收集的。自动生成的ground-truth包含33个类别。在GTA5-Cityscapes上进行实验的方法一般只考虑与Cityscapes数据集兼容的19个类别，本发明也不例外。
·Cityscapes：作为从现实世界收集的数据集，Cityscapes提供了3975幅具有精细分割标注的图像。训练集包含2975张图像，验证集包含500幅图像。
2、实验评价指标
本发明使用交并比(Intersection-over-Union，IoU)评估语义分割的性能。IoU值在[0，1]之间取值，值越大分割效果越好，IoU定义如下：
IoU＝TP/(TP+FP+FN)
其中TP、FP和FN分别是真阳性(true positive)、假阳性(false positive)和假阴性(false negative)像素的数目。表3中的mIoU是19类的平均IoU。
3、网络训练参数
本发明设置batch_size＝2，源域和目标域输入图像分辨率均为512*1024，测试分辨率为1024*2048，采用随机梯度下降进行优化，设置学习率为5*10-5。在训练开始前，首先，使用初始网络对目标域进行训练集评估，见步骤1)；然后，根据评估结果提取αc和伪标签，见步骤2)；最后，将源域和目标域数据同时输入网络进行网络参数训练，见步骤3)。按步骤4)描述，自训练过程连续训练三轮，每轮均保存模型，挑选表现最好的一个。
4、实验结果
本发明、AdaptSegNet[1]、AdvEnt+MinEnt[2]在常用的无监督自适应数据集GTA5-Cityscapes上的实验结果，本发明的实验结果明显优于对比方法。当λa为0.005时我们的方法比基础方法的miou高了0.66。
表1：特征生成器结构参数
Figure BDA0002890421870000081
表2：ASPP结构参数
Figure BDA0002890421870000082
[1]Yi-Hsuan Tsai,Wei-Chih Hung,Samuel Schulter,Kihyuk Sohn,Ming-HsuanYang,and Manmohan Chandraker.Learning to adapt structured output space forsemantic segmentation.In CVPR,2018.
[2]Tuan-Hung Vu,Himalaya Jain,Maxime Bucher,MatthieuCord,and PatrickPérez.ADVENT:adversarial entropy minimization for domain adaptation insemantic segmentation.CoRR,abs/1811.12833,2018.

Claims (4)

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。
2.根据权利要求1所述的一种无监督领域自适应语义分割方法，其特征在于：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。
3.根据权利要求1所述的一种无监督领域自适应语义分割方法，其特征在于：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。
4.根据权利要求1所述的一种无监督领域自适应语义分割方法，其特征在于：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。
CN202110026447.6A 2021-01-08 2021-01-08 一种无监督领域自适应语义分割方法 Pending CN112699892A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110026447.6A CN112699892A (zh) 2021-01-08 2021-01-08 一种无监督领域自适应语义分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110026447.6A CN112699892A (zh) 2021-01-08 2021-01-08 一种无监督领域自适应语义分割方法

Publications (1)

Publication Number Publication Date
CN112699892A true CN112699892A (zh) 2021-04-23

Family

ID=75513636

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110026447.6A Pending CN112699892A (zh) 2021-01-08 2021-01-08 一种无监督领域自适应语义分割方法

Country Status (1)

Country Link
CN (1) CN112699892A (zh)

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112990387A (zh) * 2021-05-17 2021-06-18 腾讯科技（深圳）有限公司 模型优化方法、相关设备及存储介质
CN113221903A (zh) * 2021-05-11 2021-08-06 中国科学院自动化研究所 跨域自适应语义分割方法及系统
CN113326848A (zh) * 2021-06-17 2021-08-31 中山大学 半监督领域自适应方法、系统、设备及存储介质
CN113378906A (zh) * 2021-06-04 2021-09-10 武汉大学 一种特征自适应对齐的无监督域适应遥感图像语义分割方法
CN113378830A (zh) * 2021-05-06 2021-09-10 北京工业大学 一种基于域适应的可自主学习数据标签生成方法
CN113435546A (zh) * 2021-08-26 2021-09-24 广东众聚人工智能科技有限公司 基于区分置信度水平的可迁移图像识别方法及系统
CN113591867A (zh) * 2021-07-30 2021-11-02 华中科技大学 一种无监督领域自适应图像分割方法及系统
CN113627443A (zh) * 2021-10-11 2021-11-09 南京码极客科技有限公司 一种增强特征空间对抗学习的域自适应语义分割方法
CN113792758A (zh) * 2021-08-18 2021-12-14 中国矿业大学 一种基于自监督学习和聚类的滚动轴承故障诊断方法
CN113792751A (zh) * 2021-07-28 2021-12-14 中国科学院自动化研究所 一种跨域行为识别方法、装置、设备及可读存储介质
CN113807420A (zh) * 2021-09-06 2021-12-17 湖南大学 一种考虑类别语义匹配的域自适应目标检测方法及系统
CN113901991A (zh) * 2021-09-15 2022-01-07 天津大学 一种基于伪标签的3d点云数据半自动标注方法及装置
CN114332568A (zh) * 2022-03-16 2022-04-12 中国科学技术大学 域适应图像分类网络的训练方法、系统、设备及存储介质
CN115292532A (zh) * 2022-06-24 2022-11-04 中南大学 基于伪标签一致性学习的遥感图像域适应检索方法
WO2022242352A1 (zh) * 2021-05-21 2022-11-24 北京沃东天骏信息技术有限公司 构建图像语义分割模型和图像处理的方法、装置、电子设备及介质
CN115546490A (zh) * 2022-11-23 2022-12-30 南京理工大学 一种基于显著性引导的弱监督语义分割方法
WO2023029111A1 (zh) * 2021-08-30 2023-03-09 浙江大学 基于双向无监督域适应融合的跨星遥感图像语义分割方法
CN115797642A (zh) * 2023-02-13 2023-03-14 华东交通大学 基于一致性正则化与半监督领域自适应图像语义分割算法
CN115830597A (zh) * 2023-01-05 2023-03-21 安徽大学 一种基于伪标签生成的从局部到全局的域自适应遥感影像语义分割方法
CN116740117A (zh) * 2023-06-09 2023-09-12 华东师范大学 一种基于无监督域适应的胃癌病理图像分割方法
WO2023201772A1 (zh) * 2022-04-18 2023-10-26 浙江大学 基于迭代域内适应和自训练的跨域遥感图像语义分割方法
CN113792751B (zh) * 2021-07-28 2024-06-04 中国科学院自动化研究所 一种跨域行为识别方法、装置、设备及可读存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110222690A (zh) * 2019-04-29 2019-09-10 浙江大学 一种基于最大二乘损失的无监督域适应语义分割方法
CN110322446A (zh) * 2019-07-01 2019-10-11 华中科技大学 一种基于相似性空间对齐的域自适应语义分割方法
CN111199550A (zh) * 2020-04-09 2020-05-26 腾讯科技（深圳）有限公司 图像分割网络的训练方法、分割方法、装置和存储介质
CN112116593A (zh) * 2020-08-06 2020-12-22 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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110222690A (zh) * 2019-04-29 2019-09-10 浙江大学 一种基于最大二乘损失的无监督域适应语义分割方法
CN110322446A (zh) * 2019-07-01 2019-10-11 华中科技大学 一种基于相似性空间对齐的域自适应语义分割方法
CN111199550A (zh) * 2020-04-09 2020-05-26 腾讯科技（深圳）有限公司 图像分割网络的训练方法、分割方法、装置和存储介质
CN112116593A (zh) * 2020-08-06 2020-12-22 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

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
LI GUANGRUI 等: "Content-Consistent Matching for Domain Adaptive Semantic Segmentation", 《PROCEEDINGS OF THE EUROPEAN CONFERENCE ON COMPUTER VISION》, 13 November 2020 (2020-11-13), pages 440 *
YANG ZOU 等: "Unsupervised Domain Adaptation for Semantic Segmentation via Class-Balanced Self-Training", 《PROCEEDINGS OF THE EUROPEAN CONFERENCE ON COMPUTER VISION》, 14 September 2018 (2018-09-14), pages 289 - 305 *
ZHOU WEI 等: "Affinity Space Adaptation for Semantic Segmentation Across Domains", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》, vol. 30, 1 September 2020 (2020-09-01), pages 2549 - 2561, XP011836988, DOI: 10.1109/TIP.2020.3018221 *
陈俊铭: "基于深度学习的图像分割理论与算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 7, 15 July 2020 (2020-07-15) *

Cited By (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113378830B (zh) * 2021-05-06 2024-05-28 北京工业大学 一种基于域适应的可自主学习数据标签生成方法
CN113378830A (zh) * 2021-05-06 2021-09-10 北京工业大学 一种基于域适应的可自主学习数据标签生成方法
CN113221903A (zh) * 2021-05-11 2021-08-06 中国科学院自动化研究所 跨域自适应语义分割方法及系统
CN113221903B (zh) * 2021-05-11 2021-10-15 中国科学院自动化研究所 跨域自适应语义分割方法及系统
CN112990387B (zh) * 2021-05-17 2021-07-20 腾讯科技（深圳）有限公司 模型优化方法、相关设备及存储介质
CN112990387A (zh) * 2021-05-17 2021-06-18 腾讯科技（深圳）有限公司 模型优化方法、相关设备及存储介质
WO2022242352A1 (zh) * 2021-05-21 2022-11-24 北京沃东天骏信息技术有限公司 构建图像语义分割模型和图像处理的方法、装置、电子设备及介质
CN113378906A (zh) * 2021-06-04 2021-09-10 武汉大学 一种特征自适应对齐的无监督域适应遥感图像语义分割方法
CN113326848A (zh) * 2021-06-17 2021-08-31 中山大学 半监督领域自适应方法、系统、设备及存储介质
CN113792751A (zh) * 2021-07-28 2021-12-14 中国科学院自动化研究所 一种跨域行为识别方法、装置、设备及可读存储介质
CN113792751B (zh) * 2021-07-28 2024-06-04 中国科学院自动化研究所 一种跨域行为识别方法、装置、设备及可读存储介质
CN113591867A (zh) * 2021-07-30 2021-11-02 华中科技大学 一种无监督领域自适应图像分割方法及系统
CN113591867B (zh) * 2021-07-30 2024-02-06 华中科技大学 一种无监督领域自适应图像分割方法及系统
CN113792758B (zh) * 2021-08-18 2023-11-07 中国矿业大学 一种基于自监督学习和聚类的滚动轴承故障诊断方法
CN113792758A (zh) * 2021-08-18 2021-12-14 中国矿业大学 一种基于自监督学习和聚类的滚动轴承故障诊断方法
CN113435546B (zh) * 2021-08-26 2021-12-24 山东力聚机器人科技股份有限公司 基于区分置信度水平的可迁移图像识别方法及系统
CN113435546A (zh) * 2021-08-26 2021-09-24 广东众聚人工智能科技有限公司 基于区分置信度水平的可迁移图像识别方法及系统
WO2023029111A1 (zh) * 2021-08-30 2023-03-09 浙江大学 基于双向无监督域适应融合的跨星遥感图像语义分割方法
CN113807420B (zh) * 2021-09-06 2024-03-19 湖南大学 一种考虑类别语义匹配的域自适应目标检测方法及系统
CN113807420A (zh) * 2021-09-06 2021-12-17 湖南大学 一种考虑类别语义匹配的域自适应目标检测方法及系统
CN113901991A (zh) * 2021-09-15 2022-01-07 天津大学 一种基于伪标签的3d点云数据半自动标注方法及装置
CN113627443A (zh) * 2021-10-11 2021-11-09 南京码极客科技有限公司 一种增强特征空间对抗学习的域自适应语义分割方法
CN114332568A (zh) * 2022-03-16 2022-04-12 中国科学技术大学 域适应图像分类网络的训练方法、系统、设备及存储介质
WO2023201772A1 (zh) * 2022-04-18 2023-10-26 浙江大学 基于迭代域内适应和自训练的跨域遥感图像语义分割方法
CN115292532B (zh) * 2022-06-24 2024-03-15 中南大学 基于伪标签一致性学习的遥感图像域适应检索方法
CN115292532A (zh) * 2022-06-24 2022-11-04 中南大学 基于伪标签一致性学习的遥感图像域适应检索方法
CN115546490A (zh) * 2022-11-23 2022-12-30 南京理工大学 一种基于显著性引导的弱监督语义分割方法
CN115830597A (zh) * 2023-01-05 2023-03-21 安徽大学 一种基于伪标签生成的从局部到全局的域自适应遥感影像语义分割方法
CN115797642A (zh) * 2023-02-13 2023-03-14 华东交通大学 基于一致性正则化与半监督领域自适应图像语义分割算法
CN116740117A (zh) * 2023-06-09 2023-09-12 华东师范大学 一种基于无监督域适应的胃癌病理图像分割方法
CN116740117B (zh) * 2023-06-09 2024-02-06 华东师范大学 一种基于无监督域适应的胃癌病理图像分割方法

Similar Documents

Publication Publication Date Title
CN112699892A (zh) 一种无监督领域自适应语义分割方法
CN109949317B (zh) 基于逐步对抗学习的半监督图像实例分割方法
Cui et al. Identifying materials of photographic images and photorealistic computer generated graphics based on deep CNNs.
CN108875624B (zh) 基于多尺度的级联稠密连接神经网络的人脸检测方法
CN108334881B (zh) 一种基于深度学习的车牌识别方法
Zhang et al. Efficient feature learning and multi-size image steganalysis based on CNN
CN111046900A (zh) 基于局部流形正则化的半监督生成对抗网络图像分类方法
CN109711483B (zh) 一种基于Sparse Autoencoder的电力系统运行方式聚类方法
CN112784929B (zh) 一种基于双元组扩充的小样本图像分类方法及装置
CN112381248A (zh) 一种基于深度特征聚类和lstm的配电网故障诊断方法
Yang et al. Extracting and composing robust features with broad learning system
CN106971158A (zh) 一种基于CoLBP共生特征与GSS特征的行人检测方法
Sun et al. AS-YOLO: An improved YOLOv4 based on attention mechanism and SqueezeNet for person detection
CN111126155B (zh) 一种基于语义约束生成对抗网络的行人再识别方法
CN115661480A (zh) 一种基于多层次特征融合网络的图像异常检测方法
CN112528845A (zh) 一种基于深度学习的物理电路图识别方法及其应用
CN116452862A (zh) 基于领域泛化学习的图像分类方法
Kumar Adding binary search connections to improve densenet performance
CN115331284A (zh) 一种基于自愈机制的真实场景下的人脸表情识别方法及系统
CN114882278A (zh) 一种基于注意力机制和迁移学习的轮胎花纹分类方法和装置
CN114626461A (zh) 基于领域自适应的跨域目标检测方法
Jiang et al. Pruning-aware sparse regularization for network pruning
CN114780767A (zh) 一种基于深度卷积神经网络的大规模图像检索方法及系统
CN114743133A (zh) 一种轻量化的小样本视频分类识别方法及系统
Yuan et al. Forgery-domain-supervised deepfake detection with non-negative constraint

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination