语义分割为图像分配像素级稠密标签,对场景理解具有重要作用,是视觉研究核心任务之一,涉及自动驾驶、医学成像等实际应用。现有基于深度神经网络的图像语义分割方法的训练需要大量标记数据,这些数据的收集和标记成本高昂,这很大程度上限制了此类方法的实际应用。为解决此问题,这里使用成本较低的计算机生成并标记的逼真的合成数据训练深度神经网络。但真实图像与合成图像在分布域上存在的差异会降低模型性能,因此这里使用一种对抗学习方法来实现域的自适应,以解决上述问题。又因为语义分割的结构化输出描述了源域与目标域的空间相似性,所以这里选择在语义分割的输出空间上实现域自适应方法。在此基础上,这里又于不同级别的空间构建多级域自适应网络以提升模型性能。

在移动机器人的视觉环境探索研发中,在视觉定位不精确的条件下,如何保证移动机器人可靠地运动,是目前移动机器人视觉环境探索与视觉导航中有待解决的问题。提出一种基于单帧图像语义分割的运动控制算法,利用深度卷积神经网络高鲁棒性的语义分割结果,在图像像素空间进行运动目标点规划。仅以当前观测图像为基础,以最大化探索可能运动方向为规划代价函数,在脱离全局视觉定位结果的情况下,实现移动机器人在视觉环境探索中的可靠运动控制以及避障。实验和仿真结果表明:所提出方法可满足环境探索问题中对环境覆盖以及避障的运动控制需要。