一种跨域目标检测方法、装置、网络及设备制造方法及图纸

本发明专利技术提供一种跨域目标检测方法、装置、网络及设备，所述跨域目标检测方法包括：构建跨域目标检测器，跨域目标检测器包括基础目标检测器、域对齐模块及嵌设在基础目标检测器中的变分实例解耦模块，变分实例解耦模块用于辅助跨域目标检测器分离出与目标任务不相关特征元素及与目标任务相关特征元素；构建有标签的源域样本及无标签的目标域样本，源域样本及目标域样本均由多个图像组成；基于源域样本及目标域样本训练跨域目标检测器；基于训练后的跨域目标检测器对目标域样本进行跨域目标检测处理。本发明专利技术的跨域目标检测方法能够分离出与目标任务相关的信息，很好地适配源域与目标域，并基于该信息进行进一步地进行目标检测，显著提升了检测性能。显著提升了检测性能。显著提升了检测性能。

【技术实现步骤摘要】
一种跨域目标检测方法、装置、网络及设备


[0001]本专利技术实施例涉及计算机
，特别涉及一种跨域目标检测方法、装置、网络及设备。

技术介绍

[0002]随着深度学习技术的突破，目标检测取得了显著的成功。但是如果测试数据集的分布与训练数据集的分布不一致，目标检测器的性能会严重下降，这极大限制了目标检测的应用，诸如自动驾驶、视频分析等。同时，实例级的标注昂贵且耗时，阻碍了通过监督学习在新领域获得满意的模型泛化能力。因此，跨域目标检测近年来引起了人们的极大兴趣。
[0003]跨域目标检测是指使在有标签的源域训练的检测器能适应没有标签的目标域。为了实现跨域目标检测，很多研究采用了一种通用的范式来缓解域迁移和数据标注的问题，即采用无监督域适应(Unsupervised Domain Adaptation,UDA)来对齐不同域的分布。许多现有的方法通过对抗训练方法、自训练方法和蒸馏方法来学习检测器的可迁移特征。虽然这些方法取得了令人满意的性能，但它们专注于在图像的整体表示中对齐分布，忽略了领域特有因素的耦合，这阻碍了潜在性能的充分挖掘。

技术实现思路

[0004]为了解决上述技术问题，本专利技术实施例提供了一种跨域目标检测方法，包括：
[0005]构建跨域目标检测器，所述跨域目标检测器包括基础目标检测器、域对齐模块及嵌设在所述跨域目标检测器中的变分实例解耦(Variational Instance Disentanglement,VID)模块，所述变分实例解耦模块用于辅助所述跨域目标检测器分离出与目标任务不相关特征元素及与所述目标任务相关特征元素；
[0006]构建有标签的源域样本及无标签的目标域样本，所述源域样本及目标域样本均由多个图像组成；
[0007]基于所述源域样本及目标域样本训练所述跨域目标检测器；
[0008]基于训练后的所述跨域目标检测器对所述目标域样本进行跨域目标检测处理。
[0009]作为一可选实施例，所述跨域目标检测器包括实例特征提取模块与任务头，所述变分实例解耦模块嵌设在所述实例特征提取模块与任务头之间。
[0010]作为一可选实施例，还包括：
[0011]构建损失函数，以基于所述损失函数实现变分信息瓶颈约束，所述变分信息瓶颈约束用于对所述跨域目标检测器的隐层特征中与所述目标任务不相关特征元素进行过滤，以保留与所述目标任务相关特征元素；
[0012]基于所述变分实例解耦模块及所述损失函数实现所述目标任务的无关信息的解耦。
[0013]作为一可选实施例，所述构建损失函数包括：
[0014]确定所述跨域目标检测器的输入数据、隐层变量及目标输出数据；
[0015]将所述输入数据、隐层变量及目标输出数据带入目标函数中，所述目标函数为L
ib
＝I(Y，Z)
‑
βI(X，Z)，其中I为互信息，β为调节权重的超参数，式中第一项用于促使所述隐层变量学习足够的信息，式中第二项用于确保过滤与所述目标任务不相关特征元素；
[0016]基于所述目标函数构建所述损失函数。
[0017]作为一可选实施例，还包括：
[0018]基于所述损失函数，所述变分实例解耦模块将所述隐层变量进行重构，形成保留有与所述目标任务相关特征元素的新隐层变量。
[0019]作为一可选实施例，所述损失函数为：
[0020][0021]其中N表示总的样本数量，M表示单幅图像的特征图中实例特征的数量，p(z|x)为一个高斯分布N(μ,σ2)，z为保留有与所述目标任务相关特征元素的新隐层变量，z＝μ+σ
⊙
∈，其中μ和σ为隐层变量重构前所服从的分布的参数，∈为标准高斯随机变量，
⊙
表示逐元素乘法，r(z)为标准高斯分布。
[0022]本专利技术另一实施例同时提供一种跨域目标检测装置，包括：
[0023]第一构建模块，用于构建跨域目标检测器，所述跨域目标检测器包括基础目标检测器、域对齐模块及嵌设在所述跨域目标检测器中的变分实例解耦模块，所述变分实例解耦模块用于辅助所述跨域目标检测器分离出与目标任务不相关特征元素及与所述目标任务相关特征元素；
[0024]第二构建模块，用于构建有标签的源域样本及无标签的目标域样本，所述源域样本及目标域样本均由多个图像组成；
[0025]训练模块，用于根据所述源域样本及目标域样本训练所述跨域目标检测器；
[0026]检测模块，用于根据训练后的所述跨域目标检测器对所述目标域样本进行跨域目标检测处理。
[0027]本专利技术另一实施例还提供一种跨域目标检测网络，包括跨域目标检测网络及集成于所述跨域目标检测网络中的跨域目标检测装置。
[0028]作为一可选实施例，所述跨域目标检测网络至少包括基于对抗学习的变分实例解耦跨域目标检测网络(Variational Instance Disentanglement Adversarial Network,VIDAN)、基于自训练的变分实例解耦跨域目标检测网络(Variational Instance Disentanglement Self
‑
training Network,VIDSN)中的任意一个。
[0029]本专利技术另一实施例还提供一种跨域目标检测设备，包括：
[0030]至少一个处理器；以及，
[0031]与所述至少一个处理器通信连接的存储器；其中，
[0032]所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行以实现如上文中任一项所述的跨域目标检测方法。
[0033]基于上述实施例的公开可以获知，本专利技术实施例具备的有益效果包括通过设计变分实例解耦模块，并将其引入跨域目标检测的目标检测器中，以实现基于目标任务而解耦输入数据中的任务相关和任务不相关信息，使跨域目标检测器能够更好地进行可迁移的隐
层表征的学习，提升目标检测效果。另外，本申请中的变分实例解耦模块可作为即插即用模块嵌入到跨域目标检测网络中，如对抗网络和自训练网络中，以分别形成对应的目标检测模型，该类模型不仅消除了任务不相关信息对目标检测的影响，而且保留了原检测模型的所有优点。
[0034]本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
[0035]下面通过附图和实施例，对本申请的技术方案做进一步的详细描述。
附图说明
[0036]附图用来提供对本申请的进一步理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本申请，并不构成对本申请的限制。在附图中：
[0037]图1为本专利技术实施例中的跨域目标检测方法的流程图。
[0038]图2为本专利技术实施例中的任务相关特征解耦过程图。
[0039]图3为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种跨域目标检测方法，其特征在于，包括：构建跨域目标检测器，所述跨域目标检测器包括基础目标检测器、域对齐模块及嵌设在所述基础目标检测器中的变分实例解耦模块，所述变分实例解耦模块用于辅助所述跨域目标检测器分离出与目标任务不相关特征元素及与所述目标任务相关特征元素；构建有标签的源域样本及无标签的目标域样本，所述源域样本及目标域样本均由多个图像组成；基于所述源域样本及目标域样本训练所述跨域目标检测器；基于训练后的所述跨域目标检测器对所述目标域样本进行跨域目标检测处理。2.根据权利要求1所述的跨域目标检测方法，其特征在于，所述跨域目标检测器包括实例特征提取模块与任务头，所述变分实例解耦模块嵌设在所述实例特征提取模块与任务头之间。3.根据权利要求1所述的跨域目标检测方法，其特征在于，还包括：构建损失函数，以基于所述损失函数实现变分信息瓶颈约束，所述变分信息瓶颈约束用于对所述跨域目标检测器的隐层特征中与所述目标任务不相关特征元素进行过滤，以保留与所述目标任务相关特征元素；基于所述变分实例解耦模块及所述损失函数实现所述目标任务的无关信息的解耦。4.根据权利要求3所述的跨域目标检测方法，其特征在于，所述构建损失函数包括：确定所述目标检测器的输入数据、隐层变量及目标输出数据；将所述输入数据、隐层变量及目标输出数据带入目标函数中，所述目标函数为L
ib
＝I(Y，Z)
‑
βI(X，Z)，其中I为互信息，β为调节权重的超参数，式中第一项用于促使所述隐层变量学习足够的信息，式中第二项用于确保过滤与所述目标任务不相关特征元素；基于所述目标函数构建所述损失函数。5.根据权利要求3所述的跨域目标检测方法，其特征在于，还包括：所述变分实例解耦模块将所述隐层变量进行重构，形成保留有与所述目标任务相关特征元素的新隐...

【专利技术属性】
技术研发人员：刘丽，陈江明，智帅峰，魏迎梅，李小飞，邓婉霞，盛常冲，高勋章，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：