在图像语义分割领域,无监督领域自适应技术的发展有效降低了模型对标注数据的依赖,提升了自动驾驶等智能系统的效率和广泛适用性。针对无监督领域自适应技术在新场景泛化能力有限及在稀有类别中分割效果差的问题,文章提出了一种基于强...在图像语义分割领域,无监督领域自适应技术的发展有效降低了模型对标注数据的依赖,提升了自动驾驶等智能系统的效率和广泛适用性。针对无监督领域自适应技术在新场景泛化能力有限及在稀有类别中分割效果差的问题,文章提出了一种基于强弱一致性的无监督领域自适应语义分割算法。算法首先通过增加特征级别的增强,拓展图像增强空间的维度,改善了只利用图像级增强局限性。其次,采用基于能量分数的伪标签筛选方法,筛选出足够接近当前训练数据的样本赋予伪标签,避免了使用Softmax置信度方法在稀有类别中存在局限性,使模型更新更加稳健。最后,构建结合图像级别增强和特征级别增强的双重一致性框架,更充分的利用一致性训练,进一步提高模型的泛化能力。实验结果证明,提出的方法在GTA5-to-Cityscapes公开数据集中平均交并比指标(mean Intersection over Union,mIoU)可提升至52.6%,较PixMatch算法,性能提升了4.3%。展开更多
文摘在图像语义分割领域,无监督领域自适应技术的发展有效降低了模型对标注数据的依赖,提升了自动驾驶等智能系统的效率和广泛适用性。针对无监督领域自适应技术在新场景泛化能力有限及在稀有类别中分割效果差的问题,文章提出了一种基于强弱一致性的无监督领域自适应语义分割算法。算法首先通过增加特征级别的增强,拓展图像增强空间的维度,改善了只利用图像级增强局限性。其次,采用基于能量分数的伪标签筛选方法,筛选出足够接近当前训练数据的样本赋予伪标签,避免了使用Softmax置信度方法在稀有类别中存在局限性,使模型更新更加稳健。最后,构建结合图像级别增强和特征级别增强的双重一致性框架,更充分的利用一致性训练,进一步提高模型的泛化能力。实验结果证明,提出的方法在GTA5-to-Cityscapes公开数据集中平均交并比指标(mean Intersection over Union,mIoU)可提升至52.6%,较PixMatch算法,性能提升了4.3%。
