一种基于对抗性域适应的无监督图像目标检测方法技术

本发明专利技术公开了一种基于对抗性域适应的无监督图像目标检测方法，包括：将待检测的目标域图片样本输入已训练好的神经网络检测模型进行目标检测；其中神经网络检测模型的训练步骤包括：依次设计浅层域判别器、深层域判别器、正样本感兴趣区域域判别器；将域判别器与骨干网络通过梯度反转层连接，并借此发挥对抗训练的作用，骨干网络则尽量提取公共特征、对齐输出的特征向量以混淆域判别器。通过对抗方式，特征提取器可以提取源域数据和目标域数据的公共特征，使得骨干网络和区域建议网络提取到的特征向量对齐、特征分布更加接近，本发明专利技术实现在无标注目标域数据上的目标检测精度的提升，克服了源域与目标域的特征分布差异。克服了源域与目标域的特征分布差异。克服了源域与目标域的特征分布差异。

【技术实现步骤摘要】
一种基于对抗性域适应的无监督图像目标检测方法


[0001]本专利技术涉及图像目标检测和迁移学习
，具体涉及一种基于对抗性域适应的无监督图像目标检测方法。

技术介绍

[0002]目标检测的主要目标是在图像或者图像序列中准确对目标进行准确定位以及正确分类。目标检测任务面临的主要挑战来自于检测目标种类、数量、尺度的变化以及外在环境的影响。
[0003]伴随着互联网的飞速发展，图像数据资源爆炸式地飞速增长，但是这些图像数据存在的一个普遍问题就是没有标注，无法直接参与训练。尤其在某些特定的专业领域，获取标注好的数据往往是代价很大，耗时耗力很多,数据依赖问题是深度学习面临的最严重问题之一。因此，在无标注的数据集(无监督图像)上实现图像目标检测是非常必要的，可以有效利用互联网上的海量数据，将目标检测应用的范围大幅度扩大，有效解决大数据与少标注之间的矛盾、大数据与弱计算之间的矛盾、神经网络普适化模型与个性化需求之间的矛盾。这就需要在无标注的数据集和标注好的数据之间建立一种迁移，以使得无标注数据集能直接参与训练，最终应用于目标检测。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于对抗性域适应的无监督图像目标检测方法，其特征在于，包括：将待检测的目标域图片样本输入已训练好的神经网络检测模型进行目标检测；其中神经网络检测模型的训练步骤如下：S1，将公开数据输入特征提取器进行预训练，得到特征提取器的初始参数；S2，将源域图片样本和目标域图片样本进行预处理；S3，随机将一张源域图片样本发送至双阶段目标检测模型，依次获取源域浅层特征向量、源域深层特征向量和源域正样本感兴趣区域特征向量；S4，随机将一张目标域图片样本发送至双阶段目标检测模型，依次获取目标域浅层特征向量、目标域深层特征向量、目标域正样本感兴趣区域特征向量；S5，依次设计浅层域判别器、深层域判别器、正样本感兴趣区域域判别器；S6，将源域和目标域的浅层特征向量送入浅层域判别器，将源域和目标域的深层特征向量送入深层域判别器，将源域和目标域的正样本感兴趣区域特征向量送入正样本感兴趣区域域判别器，获取浅层特征向量域分类误差损失函数、深层特征向量域分类误差损失函数、正样本感兴趣区域特征向量域分类误差损失函数；S7，将源域的浅层特征向量、深层特征向量和感兴趣区域特征向量进行连接；将源域图片样本输入检测模型后获取的目标种类和位置特征向量分别同预先标注的目标种类和位置特征向量进行比较，并分别计算出目标种类误差损失、位置特征向量误差损失；S8，将三个域判别器的分类误差损失函数、源域图片样本种类和目标种类误差损失、位置特征向量误差损失之和作为神经网络总损失函数；S9，重复执行步骤S3
‑
S8，直至网络损失函数的误差值小于k，k>0，得到训练好的神经网络检测模型。2.根据权利要求1所述的基于对抗性域适应的无监督图像目标检测方法，其特征在于，采用ResNet101网络作为特征提取器。3.根据权利要求1所述的基于对抗性域适应的无监督图像目标检测方法，其特征在于，步骤S2包括：将样本图片左右翻转扩充数据量，将不包含目标物体的样本筛选出去，留下包含目标物体的样本；样本为源域图片样本和目标域图片样本。4.根据权利要求1所述的基于对抗性域适应的无监督图像目标检测方法，其特征在于，步骤S3包括：在特征提取器的浅层处获取源域浅层特征向量；在特征提取器的深层获取源域深层特征向量；在特征提取器的区域建议网络后获取源域正样本感兴趣区域特征向量；在特征提取器的神经网络尾端全连接层获取源域目标种类和位置特征向量。5.根据权...

【专利技术属性】
技术研发人员：艾浩然，许洁斌，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：