[发明专利]基于数据分布扩充的跨域自适应语义分割方法及系统

说明书

本发明涉及一种基于数据分布扩充的跨域自适应语义分割方法及系统，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；分别对源域图像及目标域图像进行傅里叶变换，得到对应的源频域图像及目标频域图像；对源频域图像进行高频滤波，得到高频信息；对目标频域图像进行低频率波，得到低频信息；根据高频信息及低频信息，通过傅里叶反变换，得到转换图像；基于转换图像，对源域图像及目标域图像进行数据增强，得到源域扩充图像及目标域扩充图像；确定第一语义分割损失模型、第一对抗损失函数、第二对抗损失函数、语义一致性损失函数；确定第二语义分割损失模型；基于第二语义分割损失模型，可对待处理图像进行准确的语义分割，提高分割精度。

技术领域

本发明涉及计算机视觉及模式识别技术领域，特别涉及一种基于数据分布扩充的跨域自适应语义分割方法及系统。

背景技术

领域自适应作为迁移学习的一种，是机器学习领域一个重要且具有挑战性的任务，在图像识别，目标检测以及图像语义分割等领域具有广泛应用。在大数据时代，每天都会有海量的数据产生，但能够用于机器学习的标注数据却很难获取，因为这些数据的标注有些需要耗时的精细标注，比如像素级别的语义分割标注，有些需要标注者有足够的主业知识及经验，比如医学影像的标注，还有些由于数据量极大，标注困难，精度较低。所以如何利用现有的标注样本，把这部分数据学到的知识迁移到新数据中去，是一个非常具有实际意义的任务。

发明内容

为了解决现有技术中的上述问题，即为了提高语义分割精度，本发明的目的在于提供一种基于数据分布扩充的跨域自适应语义分割方法及系统。

为解决上述技术问题，本发明提供了如下方案：

一种基于数据分布扩充的跨域自适应语义分割方法，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多个有标签的源域图像和多个无标签的目标域图像；

针对每一源域图像及目标域图像，分别对源域图像及目标域图像进行傅里叶变换，得到对应的源频域图像及目标频域图像；

对源频域图像进行高频滤波，得到高频信息；对目标频域图像进行低频率波，得到低频信息；

根据高频信息及低频信息，通过傅里叶反变换，得到转换图像；

基于转换图像，对源域图像及目标域图像进行数据增强，得到源域扩充图像及目标域扩充图像；

根据各源域图像及对应的标签，确定源域的第一语义分割损失模型；

基于领域判别器，根据各对源域图像和目标域图像，构造第一对抗损失函数；根据各对源域扩充图像及目标域扩充图像，构造第二对抗损失函数；

根据各目标域图像及对应的目标域扩充图像，构造语义一致性损失函数；

基于所述第一对抗损失函数、第二对抗损失函数、语义一致性损失函数及源域的第一语义分割损失模型，确定目标域的第二语义分割损失模型；

基于所述目标域的第二语义分割损失模型，对待处理图像进行语义分割。

可选地，所述根据高频信息及低频信息，通过傅里叶反变换，得到转换图像，具体包括：

将高频信息与低频信息结合，得到结合信息；

对所述结合信息，进行傅里叶反变换，得到转换图像。

可选地，所述基于转换图像，对源域图像及目标域图像进行数据增强，得到源域扩充图像及目标域扩充图像，具体包括：

根据设定幅值，通过所述转换图像，确定数据增强序列；

通过所述数据增强序列，分别对源域图像及目标域图像进行扩充，得到对应的源域扩充图像及目标域扩充图像。