1.基于跨域类别感知图卷积对齐的图像分割方法,其特征在于,包括:将源域图像与目标域图像输入进编码器Encode中生成源域深度特征feat利用像素级特征匹配方法,将源域图特征与目标域图特征以及源域标签相结合并做像素级匹配生成目标域伪标签来约束目标域预测;
原型互信息模块通过带有域内类别信息的后验原型设计置信度矫正模块通过带有域内类别信息的原型与编码器生成的深度特征相结合,生成域内类别置信度作为loss所述域间类别感知图卷积包括利用余弦相似度计算每个元素与其他元素的相似度来生成邻接矩阵,所述邻接矩阵包含了每个元素与其他元素之间的相似情况与位置关系,即整体结构关系,表示为,其中,
所述生成邻接矩阵包括当得到邻接矩阵后将深度特征拉平成一组一维向量,将得到的向量和邻接矩阵与一个可训练的自适应权重结合分别生成了目标域内图特征G_feat其中,θ是一个对角矩阵,对角线元素为θ在得到了源域与目标域的图特征后,为了将相关的域内结构信息和域间类别信息转移到对应域中,建立两个域的图特征之间的类别关系,表示为,其中,
在得到域间类别关系之后,通过跨域图卷积运算保证混合两个域分布特征的同时最大程度的保留域内结构信息与域间类别关系,表示为,其中,G_feat
所述通过跨域图卷积运算保证混合两个域分布特征的同时最大程度的保留域内结构信息与域间类别关系包括在得到混合域特征后,通过高斯核函数隐式地映射到核希尔伯特空间中使用loss其中,
2.如权利要求1所述的基于跨域类别感知图卷积对齐的图像分割方法,其特征在于:所述利用像素级特征匹配方法对源域图特征feat其中,
在匹配矩阵中,每一行代表feat
index
y
其中,Argmax(matching_matrix
3.如权利要求2所述的基于跨域类别感知图卷积对齐的图像分割方法,其特征在于:所述得到目标域的伪标签包括将源域标签第index其中,
总体的损失函数表示为,
其中,w表示权重。
4.如权利要求3所述的基于跨域类别感知图卷积对齐的图像分割方法,其特征在于:所述原型互信息模块分为先验原型互信息模块PMIα=λσ(img
β=λμ(img
其中,λ是一个维持混合平衡的权重矩阵,大小为1×C×1×1,C是输入图像的通道数,λ在得到中间域图像后,将其作为PMI
原型互信息模块将中间域图像下采样四次之后得到深度特征通过各自的全连接层映射到隐空间中,隐空间符合正态分布,得到的是两个向量分别为网络拟合出的输入图像的均值向量
5.如权利要求4所述的基于跨域类别感知图卷积对齐的图像分割方法,其特征在于:所述重参数化技巧采样包括从标准正态分布中采样一个随机向量ε,再使用编码器得到的均值向量其中,
所述后验原型在输入阶段加入了源域的标签,得到的原型其中,
在互信息损失的约束下,原型互信息便能够提取任何风格图像拥有的类别信息的原型,利用提取到的源域先验原型其中,
6.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的基于跨域类别感知图卷积对齐的图像分割方法的步骤。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的基于跨域类别感知图卷积对齐的图像分割方法的步骤。