【技术实现步骤摘要】
一种用于域自适应目标检测的类别正则化方法及系统
[0001]本专利技术涉及基于深度学习的目标检测
，特别是关于一种用于域自适应目标检测的类别正则化方法及系统。
技术介绍
[0002]当前基于深度学习的目标检测方法通常假设训练集(称为源域)和测试集(称为目标域)的数据服从相同的概率分布，但是该假设在许多实际应用场景中往往是难以成立的。因数据分布差异而造成的域漂移问题，降低了深度目标检测模型在目标域上的检测性能。虽然可以通过收集和标注更多的训练数据来减轻模型性能的退化程度，但是这一过程极其耗费时间和成本。无监督域自适应将知识从具有带标签数据的源域迁移到没有带标签数据的目标域，可以极大降低重新收集和标注数据的成本，因而近年来在计算机视觉领域得到了广泛关注。
[0003]现有关于域自适应目标检测的专利技术专利申请多数只是通过域分类器和检测器之间的对抗训练来学习域不变的特征表示，从而在整体层面减小源域和目标域之间的差异。然而，经过自适应后源域和目标域的特征在类别层面对齐与否尚未得到真正的考量。在跨域场景下，不同类别特征的...
【技术保护点】
【技术特征摘要】
1.一种用于域自适应目标检测的类别正则化方法，其特征在于，包括：步骤1，获取源域感兴趣区域特征向量和目标域感兴趣区域特征向量及其与所述对应的预测类别和与所述对应的预测类别其中，i和j分别表示源域s和目标域t感兴趣区域特征向量对应的索引；步骤2，根据所述和之间的距离，计算类间正则化损失函数值步骤3，根据所述和与其对应类别的特征中心之间的距离，计算类内正则化损失函数值其中，所述由所述源域和目标域同时共享，k表示所述特征中心对应的索引；步骤4，所述和作为正则化项结合到域自适应目标检测框架的损失函数中，以联合优化域自适应目标检测损失函数和类别正则化损失函数。2.如权利要求1所述的用于域自适应目标检测的类别正则化方法，其特征在于，所述步骤2具体包括：步骤21，度量所述和之间的距离；步骤22，为每个所述选取所述相同类别且距离最大的所述作为异域同类特征向量对，为每个所述选取所述不同类别且距离最小的所述作为异域异类特征向量对，计算3.如权利要求2所述的用于域自适应目标检测的类别正则化方法，其特征在于，所述步骤21具体包括：以i为行索引，以j为列索引，构造距离矩阵该矩阵中的元素为通过式(3)计算得到的与之间在欧氏空间中的距离之间在欧氏空间中的距离式中，表示L2范数的平方，f(
·
)表示所述域自适应目标检测框架的检测器Faster R
‑
CNN中感兴趣区域池化层后的两个全连接层，用于将所述和映射到欧氏空间中。4.如权利要求2所述的用于域自适应目标检测的类别正则化方法，其特征在于，所述步骤22中，所述异域同类特征向量对和所述异域异类特征向量对需要满足约束条件(4)：所述通过式(5)计算得到；式中，α表示用于控制两感兴趣区域特征向量对之间差异的程度的参数，为正数，
表示所述异域同类特征向量对的距离，表示所述异域异类特征向量对的距离，表示与所述为所述相同类别的所述目标域感兴趣区域特征向量，表示与所述为所述不同类别的所述目标域感兴趣区域特征向量，n
+
表示所述的数量，n
‑
表示所述的数量，且n
+
+n
‑
＝n
t
，5.如权利要求1至4中任一项所述的用于域自适应目标检测的类别正则化方法，其特征在于，所述步骤3具体包括：步骤31，度量所述和分别与之间的距离；步骤32，分别为所述和选取与之为相同类别的计算6.如权利要求5所述的用于域自适应目标检测的类别正则化方法，其特征在于，所述步骤31具体包括：步骤311，以i为行索引，以k为列索引，构造距离矩阵该矩阵中的每个元素为通过式(6)计算得到的和所有的类别特征中心之间在欧氏空间中的距离之间在欧氏空间中的距离步骤312，以j为行索引，以k为列索引，构造距离矩阵该矩阵中的每个元素为通过式(7)计算和之间在欧氏空间中的距离之间在...
【专利技术属性】
技术研发人员：王晓伟，王惠，蒋沛文，谢国涛，秦兆博，秦晓辉，边有钢，胡满江，秦洪懋，徐彪，丁荣军，
申请(专利权)人：湖南大学无锡智能控制研究院，
类型：发明
国别省市：
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。