一种无源领域自适应目标检测方法技术

本发明专利技术公开一种无源领域自适应目标检测方法，应用于目标检测领域，针对现有的跨域目标检测效果较差的问题；本发明专利技术首先将预训练的源域模型加载到学生模型和教师模型，然后将从目标域场景中获取的无标签目标域图像输入到教师模型，该目标域图像对应的超级目标域图像被输入到学生模型；本发明专利技术在图像级和实例级分别利用域判别器来对齐超级目标域和目标域的特征并最小化学生模型和教师模型的类别一致性损失；最后学生模型通过反向传播更新，而教师模型根据学生模型来更新；很好地克服了跨域目标检测问题。

【技术实现步骤摘要】
一种无源领域自适应目标检测方法
本专利技术属于目标检测领域，特别涉及一种无监督领域自适应目标检测技术。
技术介绍
目标检测作为计算机视觉领域最重要的问题之一，在近年来随着卷积神经网络的出现取得了巨大的进步。目标检测方法的实时性和准确率也在不断刷新。尽管这些目标检测方法在许多数据集上表现出了越来越快越来越准确的性能，但是它们都假设训练集和测试集来自同一个数据集，即源域和目标域处于同一个特征分布。在实际应用中，源域和目标域通常会存在域偏移，源域训练的模型直接应用到目标域性能会急剧下降。为了解决源域和目标域的域偏移问题，一种跨域的目标检测问题被提出。领域自适应目标检测问题具有非常重要的研究意义。在一般的目标检测问题中，针对新的目标域场景，往往需要重新获取该场景的图像和标签来训练模型，而打标签是非常耗费人力的。领域自适应目标检测问题只需要基于已有的源域数据和无标签的目标域图像即可训练出在目标域工作的模型。相关现有技术及其存在的问题：南京邮电大学吴晓富、程磊的专利技术《一种基于熵最小化的迁移学习方法及系统》，公开号为：CN1104本文档来自技高网...

【技术保护点】
1.一种无源领域自适应目标检测方法，其特征在于，包括：/nS1、训练源域模型；/nS2、基于大数定律构建超级目标域；/nS3、将超级目标域输入到学生模型，超级目标域对应的目标域图像输入到教师模型；/nS4、利用判别器来对齐教师模型与学生模型的图像级特征和实例级特征；/nS5、对教师模型与学生模型的预测结果做类别一致性，具体为：将学生模型的分类结果与教师模型的分类结果做交叉熵损失；/nS6、通过最小化交叉熵损失函数来更新学生模型的参数，加权学生模型和上一代教师模型的参数来更新当前教师模型的参数。/n

【技术特征摘要】
1.一种无源领域自适应目标检测方法，其特征在于，包括：
S1、训练源域模型；
S2、基于大数定律构建超级目标域；
S3、将超级目标域输入到学生模型，超级目标域对应的目标域图像输入到教师模型；
S4、利用判别器来对齐教师模型与学生模型的图像级特征和实例级特征；
S5、对教师模型与学生模型的预测结果做类别一致性，具体为：将学生模型的分类结果与教师模型的分类结果做交叉熵损失；
S6、通过最小化交叉熵损失函数来更新学生模型的参数，加权学生模型和上一代教师模型的参数来更新当前教师模型的参数。


2.根据权利要求1所述的一种无源领域自适应目标检测方法，其特征在于，步骤S1具体为：采用基于区域的卷积神经网络来训练源域模型，所述基于区域的卷积神经网络包括：特征提取网络、区域提取网络和分类网络；将源域数据输入基于区域的卷积神经网络，首先经过特征提取网络得到图像的特征，然后将提取的图像的特征输入区域提取网络提取出候选区域特征并计算区域提取网络的前背景损失与预测框的粗略回归损失之和Lrpn，每个候选区域的特征被输入分类网络来计算分类损失和预测框的精确回归损失之和Lroi；最后通过最小化LFR来训练源域模型。


3.根据权利要求2所述的一种无源领域自适应目标检测方法，其特征在于，步骤S2具体为：
视源域和目标域的图像是域不变部分由各自不同的域噪声干扰而得；
则第i张...

【专利技术属性】
技术研发人员：熊林，叶茂，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51