[发明专利]领域适应方法、装置、电子设备及存储介质

说明书

本申请实施例涉及人工智能技术领域，具体涉及一种领域适应方法、装置、设备及存储介质。该方法包括：从目标域获取待识别图像；将所述待识别图像输入到第一分割网络，得到第一类别比例，所述第一分割网络为使用源域的图像进行训练得到的；将所述待识别图像输入到第二分割网络，得到第二类别比例以及熵图，所述熵图是由所述待识别图像中各个像素点的信息熵构成的矩阵；根据所述第一类别比例、所述第二类别比例以及所述熵图，对所述第二分割网络进行领域适应。本申请有利于提高领域适应的效率。

技术领域

本申请涉及图像识别技术领域，具体涉及一种领域适应方法、装置、电子设备及存储介质。

背景技术

语义分割，已经成为了众多现代科技应用中的关键步骤。自从深度学习时代来到后，各种问题中的自动语义分割方法都获得了长足的进步。但是，用于语义分割的语义分割网络，在样本具有不同分布的不同领域中性能会大幅下降。因此，这些语义分割网络需要逐像素标注的图像作为训练样本。而标注样本，是一个既耗费时间，又耗费金钱的工作。

为了克服这个问题，出现了领域自适应方法，领域自适应指的是将一个在有标注的源领域训练好的模型，迁移到一个没有或者只有极少标注的目标领域的过程。对抗学习策略成为了领域自适应方法中流行的常用技术，而对抗学习技术的一个主要的限制是，其需要在适应阶段同时获取源域以及目标域的图像数据来进行适应。而有些时候，出于隐私考虑，或者是数据丢失等原因，源领的图像数据并不能够被获取。因此，由于源域图像数据获取的限制，导致领域适应效率低，亟需提供一种高效的领域适应方法。

发明内容

本申请实施例提供了一种领域适应方法，无需使用源域的图像数据完成领域适应，使通过目标域训练出的网络具有源域的特性，提高领域适应效率。

第一方面，本申请实施例提供一种领域适应方法，包括：

从目标域获取待识别图像；

将所述待识别图像输入到第一分割网络，得到第一类别比例，所述第一分割网络为使用源域的图像进行训练得到的；

将所述待识别图像输入到第二分割网络，得到第二类别比例以及熵图，所述熵图是由所述待识别图像中各个像素点的信息熵构成的矩阵；

根据所述第一类别比例、所述第二类别比例以及所述熵图，对所述第二分割网络进行领域适应。

在一些可能的实施方式中，所述将所述待识别图像输入到第一分割网络，得到第一类别比例，包括：

将所述待识别图像输入到所述第一分割网络，对所述待识别图像中每个像素点进行语义分割，得到所述每个像素点的第一语义分割结果，其中，所述每个像素点的第一语义分割结果表示所述每个像素点属于k个类别的概率，k的取值为从1到N的整数，N为大于1的整数；

对所述每个像素点的第一语义分割结果求平均，得到所述待识别图像的第一语义分割结果；

根据所述待识别图像的第一语义分割结果，得到所述第一类别比例。

在一些可能的实施方式中，所述将所述待识别图像输入到第二分割网络，得到第二类别比例以及熵图，包括：

将所述待识别图像输入到第二分割网络，对所述待识别图像中每个像素点进行语义分割，得到所述每个像素点的第二语义分割结果，所述每个像素点的第二语义分割结果用于表示所述每个像素点属于k个类别的概率，k的取值为1到N的整数，N为大于1的整数；

对所述每个像素点的第二语义分割结果求平均，得到所述待识别图像的第二语义分割结果；

根据所述每个像素点的第二语义分割结果以及信息熵计算公式，确定所述每个像素点的信息熵，并将所述每个像素点的信息熵组成所述熵图。