【技术实现步骤摘要】
本申请涉及深度学习、计算机视觉和目标检测的，具体而言，涉及一种模型训练方法、跨域目标检测方法及电子设备。
技术介绍
1、在目前的跨域目标检测过程中，大都是使用权重共享检测头网络的目标检测模型来对源域数据样本和目标域数据样本进行分类的，尽管权重共享检测头旨在促进跨域特征的迁移和共享，但在实际应用过程中发现，由于源域数据具有真实标注信息，模型在联合优化时往往会过于依赖于源域数据样本的有监督训练过程，从而让模型更偏向源域数据样本的优化而忽视了目标域数据样本的优化，使得教师模型生成的伪标签的质量下降，最终导致模型的检测准确率下降。
技术实现思路
1、本申请实施例的目的在于提供一种模型训练方法、跨域目标检测方法及电子设备，用于改善模型的检测准确率下降的问题。
2、本申请实施例提供了一种模型训练方法，包括：获取有标签的源域数据集和无标签的目标域数据集，目标域数据集包括：目标域图像；根据源域数据集计算出学生模型中的源域检测头网络的源域损失；通过教师模型对目标域图像进行目标检测，获得目标域伪标...
【技术保护点】
1.一种模型训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述源域数据集包括：源域图像和源域标签；所述根据所述源域数据集计算出学生模型中的源域检测头网络的源域损失，包括：
3.根据权利要求2所述的方法，其特征在于，所述根据所述目标域伪标签和所述目标域图像计算出所述学生模型中的目标域检测头网络的目标域损失，包括：
4.根据权利要求3所述的方法，其特征在于，所述根据所述源域数据集和所述目标域数据集计算出所述学生模型中的多尺度掩膜对抗性对齐模块的对齐损失，包括：
5.根据权利要求4所述的方法，其特征在...
【技术特征摘要】
1.一种模型训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述源域数据集包括：源域图像和源域标签；所述根据所述源域数据集计算出学生模型中的源域检测头网络的源域损失，包括：
3.根据权利要求2所述的方法，其特征在于，所述根据所述目标域伪标签和所述目标域图像计算出所述学生模型中的目标域检测头网络的目标域损失，包括：
4.根据权利要求3所述的方法，其特征在于，所述根据所述源域数据集和所述目标域数据集计算出所述学生模型中的多尺度掩膜对抗性对齐模块的对齐损失，包括：
5.根据权利要求4所述的方法，其特征在于，所述多尺度掩膜对抗性对齐模块包括：全卷积解码器；所述通过所述多尺度掩膜对抗性对齐模块对所述随机掩膜、所述通道变量和所述目标域多尺度特征图进行计算，包括：<...
【专利技术属性】
技术研发人员：邹昆，关圣贤，董帅，
申请(专利权)人：电子科技大学中山学院，
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。