[发明专利]一种用于语义分割的对比学习方法及系统

权利要求书

1.一种用于语义分割的对比学习方法，其特征在于，包括以下步骤：

S1、以有监督的方式在标记的源域上训练分割模型；其中分割模型由特征提取器和分类器组成；

S2、获得在标记的源域上训练的分割模型，对分割模型进行初始化；

S3、执行对比度适应操作：给定目标域的图像，通过分类器产生伪标签和特征提取器提取相应的特征，将伪标签提取的特征和其对应的分割模型对应，再计算特征和每个对应的分割模型之间的相似性和损失；

S4、根据损失，用混合域方式更新分割模型，得到更新后的分割模型。

2.根据权利要求1所述的一种用于语义分割的对比学习方法，其特征在于，在S1前，还包括S0、设定模型参数操作，其中模型参数包括初始学习率、动量、权重衰减速率、学习速率和目标域的伪标签阈值。

3.根据权利要求2所述的一种用于语义分割的对比学习方法，其特征在于，在S2中，所述对分割模型进行初始化，包括采用初始化公式对分割模型进行初始化，所述初始化公式表示为：

式中，是在维数为d的模型中提取的特征向量；c是类别的索引；H和W表示特征的高度和宽度；是一个指示函数，如果则为1，否则为0。

4.根据权利要求3所述的一种用于语义分割的对比学习方法，其特征在于，在S3中，所述计算特征和每个对应的分割模型之间的损失，包括采用标准交叉熵公式计算特征和每个对应的分割模型之间的损失，所述标准交叉熵公式表示为：

式中，N_s表示给定目标域的图像；H和W是图像的高度和宽度；i和j是高度和宽度的像素指数；表示最小化预测值；表示真实值标签；C表示类别。

5.根据权利要求4所述的一种用于语义分割的对比学习方法，其特征在于，在S4中，所述用混合域方式更新分割模型，包括采用混合域更新公式更新分割模型，所述混合域更新公式表示为：

式中，m是一个超参数，它定义为训练期间源模型和目标模型更新的恒定速率；表示源域模型；表示目标模型。

6.一种用于语义分割的对比学习系统，其特征在于，采用如权利要求1-5任一项所述的一种用于语义分割的对比学习方法，包括：

模型训练模块，用于以有监督的方式在标记的源域上训练分割模型；

初始化模块，用于获得在标记的源域上训练的分割模型，对分割模型进行初始化；

特征对应模块，用于执行对比度适应操作：给定目标域的图像，通过分类器产生伪标签和特征提取器提取相应的特征，将伪标签提取的特征和其对应的分割模型对应，再计算特征和每个对应的分割模型之间的相似性和损失；

混合更新模块，根据损失，用混合域方式更新分割模型，得到更新后的分割模型。

7.根据权利要求6所述的一种用于语义分割的对比学习系统，其特征在于，还包括设定参数模块，所述设定参数模块用于执行设定模型参数操作。

8.根据权利要求6所述的一种用于语义分割的对比学习系统，其特征在于，所述初始化模块包括初始化子模块，所述初始化子模块用于执行采用初始化公式对分割模型进行初始化，所述初始化公式表示为：

式中，是在维数为d的模型中提取的特征向量；c是类别的索引；H和W表示特征的高度和宽度；是一个指示函数，如果则为1，否则为0。

9.根据权利要求6所述的一种用于语义分割的对比学习系统，其特征在于，所述特征对应模块包括特征对应子模块，所述特征对应子模块用于执行采用标准交叉熵公式计算特征和每个对应的分割模型之间的损失，所述标准交叉熵公式表示为：

式中，N_s表示给定目标域的图像；H和W是图像的高度和宽度；i和j是高度和宽度的像素指数；表示最小化预测值；表示真实值标签；C表示类别。

10.根据权利要求6所述的一种用于语义分割的对比学习系统，其特征在于，所述混合更新模块包括混合更新子模块，所述混合更新子模块用于执行采用混合域更新公式更新分割模型，所述混合域更新公式表示为：

式中，m是一个超参数，它定义为训练期间源模型和目标模型更新的恒定速率；表示源域模型；表示目标模型。