公开(公告)号：CN114612658A

公开(公告)日：2022-06-10

申请号：CN202210172502.7

申请日：2022-02-24

Applicant: 南京工业大学

Inventor： 琚艳 ,  刘斌

IPC: G06V10/26 ,  G06V10/774 ,  G06K9/62

Abstract: 本发明公开了一种基于双重类别级对抗网络的图像语义分割方法，属于深度学习技术领域。包括以下步骤：首先，利用类别级对抗网络基于局部语义类别一致性的思想，兼顾源域和目标域的边缘分布对齐和条件分布对齐，使得源域和目标域进行协同训练，根据不同的对齐效果来调整相应对抗损失的权重；其次，通过计算目标预测的信息熵值确定目标图像的置信水平，依据熵值大小将目标域划分为集合一和集合二；最后，利用集合一及其预测图作为伪标签，再次使用CLAN模型训练集合二图像，以减少域内差异，从而有效提升不同数据集间的自适应水平，提高算法的泛化性能。本发明基于多个数据集进行实验，验证了该方法的可行性，能够有效提高语义分割效率。

公开(公告)号：CN114612658B

公开(公告)日：2024-11-05

申请号：CN202210172502.7

申请日：2022-02-24

Applicant: 南京工业大学

Inventor： 琚艳 ,  刘斌

IPC: G06V10/26 ,  G06V10/774 ,  G06V10/82 ,  G06V10/764 ,  G06N3/0475 ,  G06N3/094 ,  G06N3/0464

Abstract: 本发明公开了一种基于双重类别级对抗网络的图像语义分割方法，属于深度学习技术领域。包括以下步骤：首先，利用类别级对抗网络基于局部语义类别一致性的思想，兼顾源域和目标域的边缘分布对齐和条件分布对齐，使得源域和目标域进行协同训练，根据不同的对齐效果来调整相应对抗损失的权重；其次，通过计算目标预测的信息熵值确定目标图像的置信水平，依据熵值大小将目标域划分为集合一和集合二；最后，利用集合一及其预测图作为伪标签，再次使用CLAN模型训练集合二图像，以减少域内差异，从而有效提升不同数据集间的自适应水平，提高算法的泛化性能。本发明基于多个数据集进行实验，验证了该方法的可行性，能够有效提高语义分割效率。