基于特征不变约束的恶劣场景语义分割

引言

无监督领域自适应语义分割旨在利用带标注源域数据和无标注目标域数据，使模型在目标场景中保持稳定预测。自动驾驶任务中，模型多在白天清晰场景上训练，而实际部署常面临夜间、雾天、雨天和雪天等复杂环境。亮度不足、颜色偏移和噪声等因素会造成明显域差异，影响道路、天空、车辆及远距离目标的识别。现有方法［1-2］主要通过对抗学习、自训练和风格迁移缩小域差异。但自训练依赖伪标签质量，输出层一致性约束易受低质量伪标签影响，单纯风格迁移也难以保证中间语义特征稳定。链式域自适应（ChainofDomain Adaptation,CoDA)［3］框架通过链式域适应和视觉提示机制实现恶劣场景渐进迁移，但对风格扰动下的特征稳定性建模仍不足。为此，本文在CoDA框架中引入特征不变性约束，利用跨风格双视图学习稳定的编码器表示。主要贡献为：构造轻量级跨风格双视图模拟外观扰动；在编码器空间引入特征不变损失，减少噪声监督影响；在多个恶劣场景数据集上验证方法的适应性和泛化能力。

本文详细内容请下载：

https://www.chinaaet.com/resource/share/2000007320

投稿邮箱：ICAPP@belling.com.cn

作者信息：

刘溪源，杨尚宗，赵宇

(江苏科技大学计算机学院,江苏镇江212003)