买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：浙江工商大学

摘要：本发明公开了一种基于弱监督学习的域自适应实例分割方法及装置，首先在源域上训练初始实例分割模型，输出骨干网络特征和语义分数张量，使用层次凝聚聚类构建语义树，然后对语义树的叶节点进行抽样，快速判断实例分割掩码是否准确，根据标注信息对预测不准确的实例进行掩码修正，根据目标域掩码修正结果微调初始实例分割模型，从而改善实例分割模型的有效性。本发明通过使用有限的验证信号快速判断准确样本，并将这些准确样本传播改善初始实例分割模型适应能力，处理不准确样本中的部分噪声，解决了在域自适应方面，虽然可以通过引入来自目标域数据集的监督信号来改进分实例割模型，但人工标注繁琐耗时，并且自训练在伪标签中包含太多噪声的问题。

主权项：1.一种基于弱监督学习的域自适应实例分割方法，其特征在于，该方法包括以下步骤：1在源域上训练初始实例分割模型，输出骨干网络特征和语义分数张量，所述语义分数张量包括每个像素所属不同实例的概率；2在目标域上利用源域训练得到的初始实例分割模型进行实例分割，输出每张图像对应的骨干网络特征和语义分数张量；3在步骤2得到的语义分数张量的实例维度上取最大值，得到目标域每张图像的实例分割掩码；将目标域每张图像的实例分割掩码分别与目标域骨干网络特征、目标域语义分数张量相乘，得到目标域每个实例的掩码特征和掩码语义分数张量；4将步骤3得到的实例的掩码特征和掩码语义分数张量进行拼接，得到实例的增强掩码特征；5使用层次凝聚聚类构建每个类别对应的语义树，将属于该类别的每个实例的增强掩码特征视为一个叶节点，每次凝聚选择实例间增强掩码特征的欧式距离最小的两个子节点进行合并得到合并节点，所述合并节点的增强掩码特征和掩码语义分数张量分别是子节点对应增强掩码特征和掩码语义分数张量的线性组合；6对于每个语义树，基于设定的抽样率对语义树的叶节点进行抽样，快速判断实例分割掩码是否准确，标注判断结果；7将类别k对应的语义树上的所有抽样实例的标注结果的统计值与设定阈值比较：如果统计值大于阈值说明类别k的预测准确，不准确的抽样实例会利用准确的抽样实例进行掩码修正；如果统计值小于等于阈值说明类别k的预测不准确，将对应的语义树拆分为两个子树，每个子树重新抽样实例计算标注结果的统计值，再与设计阈值进行比较，重复拆分-比较过程直到子树不可拆分或子树不包含任何准确的抽样实例；8根据目标域掩码修正结果微调初始实例分割模型。

全文数据：

权利要求：

百度查询： 浙江工商大学 基于弱监督学习的域自适应实例分割方法及装置