【技术实现步骤摘要】
基于中心对齐和关系显著性的无监督域适应目标检测方法
本专利技术涉及目标检测
，尤其涉及一种基于中心对齐和关系显著性的无监督域适应目标检测方法。
技术介绍
目标检测作为计算机视觉方向的基础问题，近些年在深度学习的推动下已取得飞速进步，然而目标检测面临一个严重的问题，当测试数据的分布与训练数据不同时，检测性能会严重下降，这一问题称为“域偏移”，其中用于训练模型的数据域称为源域，测试数据域称为目标域，解决这一问题的一个办法就是收集目标域的数据，并进行标注，然后基于目标域数据进行训练，然而人工进行数据标注，耗费大量的人力物力，尤其是目标检测这样需要标注位置的任务。近几年在图像识别领域出现一种称为无监督域适应的方法，主旨思想是进行源域和目标域的分布匹配，这一方法可以将训练好的模型迁移到其他领域，同时尽力维持较好的性能，有效地缓解了数据标注的压力。这一方法也开始应用于目标检测领域，不过目前的方法基本沿用图像识别的经验，没有充分考虑到目标检测自身的特点，具体表现为：(1)将图像中的目标单独考虑，未能充分利用图像中多个目标的关...
【技术保护点】
1.一种基于中心对齐和关系显著性的无监督域适应目标检测方法，其特征在于，包括：/n训练阶段，对于源域与目标域的图像通过检测器产生对应的目标区域提案，所述目标区域提案是指从可能存在目标的区域提取出来的特征；对目标区域提案与类别中心进行关系建模，并更新类别中心与目标区域提案；利用更新得到的类别中心来拉近目标域和源域之间每一类的距离，使得目标域的不同类别之间借助源域信息拉开距离；/n训练完毕后，直接对目标域图像进行分类检测，即首先产生目标域图像的目标区域提案，再对目标域图像的目标区域提案与类别中心进行关系建模，将最终更新得到的目标区域提案通过最后的分类器和回归器得到目标检测结果。/n
【技术特征摘要】 【专利技术属性】
1.一种基于中心对齐和关系显著性的无监督域适应目标检测方法，其特征在于，包括：
训练阶段，对于源域与目标域的图像通过检测器产生对应的目标区域提案，所述目标区域提案是指从可能存在目标的区域提取出来的特征；对目标区域提案与类别中心进行关系建模，并更新类别中心与目标区域提案；利用更新得到的类别中心来拉近目标域和源域之间每一类的距离，使得目标域的不同类别之间借助源域信息拉开距离；
训练完毕后，直接对目标域图像进行分类检测，即首先产生目标域图像的目标区域提案，再对目标域图像的目标区域提案与类别中心进行关系建模，将最终更新得到的目标区域提案通过最后的分类器和回归器得到目标检测结果。
2.根据权利要求1所述的一种基于中心对齐和关系显著性的无监督域适应目标检测方法，其特征在于，所述对于源域与目标域的图像通过检测器产生对应的目标区域提案包括：
对于源域与目标域的图像，分别通过特征提取器、区域提案网络、以及区域池化模块产生对应的目标区域提案；其中，特征提取器用于提取特征图，区域提案网络用于根据特征图产生可能存在目标的区域，区域池化模块对区域提案网络产生的区域中的特征进行池化使得大小不同的区域最终具有相同维度的特征。
3.根据权利要求1所述的一种基于中心对齐和关系显著性的无监督域适应目标检测方法，其特征在于，对目标区域提案与类别中心进行关系建模包括：
对于源域与目标域，各自将产生的目标区域提案与每一类别中心放在一起，构建一个图G＝(V,E)，其中，V表示目标区域提案和类别中心构成的节点集合，E代表节点间的边集合，类别中心初始化为全为0的向量；
利用邻接矩阵A表示节点间的联系，能够在图中传递节点相互间的信息，从而利用目标区域提案来产生类别中心，同时类别中心能够对目标区域提案特征进行微调；对于邻接矩阵A，采用WWT来计算，其中W是分类器对节点集合V的分类输出，对于类别中心，直接定义one-hot向量为相应类中心的类别输出，即对于第N类别中心，其类别输出为K维向量，该向量在第N维为1，其余维度皆为0，计算出邻接矩阵A后，将邻接矩阵A的对角线置0；然后，通过矩阵相乘来聚合每个节点与其他节点的特征，源域和目标域并行计算：
技术研发人员：张勇东，张天柱，吴泽远，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：安徽;34
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。