【技术实现步骤摘要】
本申请属于基于深度学习的跨域目标检测，具体涉及一种基于前景激活和语义独立的跨域目标检测方法和系统。
技术介绍
1、基于深度学习的视觉目标检测技术在检测精度方面远超传统基于手工特征的检测方法，在视频监控、智能安防、智慧检测和自动驾驶等领域得到了广泛应用。但这些算法仅在公开数据集上表现出极高检测精度，当部署到现实场景中执行检测任务时，检测性能下降严重。这是由于基于深度学习目标检测算法的训练数据和验证数据来源于同一数据集，基本符合独立同分布的假设，但是现实场景数据往往更具复杂性和多样性，目标检测器用来训练的数据和实际检测数据之间存在数据分布偏移。这种域偏移现象会导致目标检测器检测性能严重退化，限制优秀目标检测算法在现实场景中的应用。可以通过收集大量实际应用场景中的图像数据训练网络提高检测性能，但训练数据的实例级标注十分复杂，在工程应用中成本很高不具备实用性。
2、使用迁移学习无监督域自适应理论构建的域自适应目标检测模型能够同时输入有实例级注释的源域数据和仅图像数据可用的目标域数据进行训练，将目标检测知识从源域迁移到目标域，从而在目...
【技术保护点】
1.一种基于前景激活和语义独立的跨域目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，步骤1中，所述获取源域数据集和目标域数据集，具体包括：
3.根据权利要求2所述的方法，其特征在于，步骤2中，所述在基础单阶段目标检测模型上设置多尺度特征聚合对齐模块，具体包括：
4.根据权利要求3所述的方法，其特征在于，步骤2中，在基础单阶段目标检测模型上设置前景注意力激活模块和前景区域加权对齐模块，具体包括：
5.根据权利要求4所述的方法，其特征在于，在基础单阶段目标检测模型上设置实例特征获取模块和实...
【技术特征摘要】
1.一种基于前景激活和语义独立的跨域目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，步骤1中，所述获取源域数据集和目标域数据集，具体包括：
3.根据权利要求2所述的方法，其特征在于，步骤2中，所述在基础单阶段目标检测模型上设置多尺度特征聚合对齐模块，具体包括：
4.根据权利要求3所述的方法，其特征在于，步骤2中，在基础单阶段目标检测模型上设置前景注意力激活模块和前景区域加权对齐模块，具体包括：
5.根据权利要求4所述的方法，其特征在于，在基础单阶段目标检测模型上设置实例特征获取模块和实例特征语义独立对齐模块，具体包括：
6.根据权利要求5所述的方法，其特征在于，所述获取源域和目标域的实例特征，具体包括：
7.根据权利要求6所述的方法，其特征在于，步骤3中，基...
【专利技术属性】
技术研发人员：王晓伟，索锦辉，蒋沛文，高铭，赵树军，胡满江，边有钢，秦晓辉，谢国涛，秦洪懋，徐彪，秦兆博，
申请(专利权)人：湖南大学，
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。