一种基于因果表征学习的单域泛化目标检测方法技术

本发明专利技术涉及一种基于因果表征学习的单域泛化目标检测方法。针对现有的Faster R‑CNN目标检测网络泛化能力差的问题，分析了该网络在输入空间存在的训练数据偏差以及特征空间存在的注意力偏差和类别原型偏差，提出无偏的Faster R‑CNN网络。通过构建结构因果模型，分析目标检测任务中变量之间的因果关系，识别出场景和非判别性目标属性两种非因果因素，并通过对源域图像中的非因果因素进行数据变换，提升数据分布多样性，消除输入数据的偏差；通过对图像级别的整体特征引入因果注意力约束，学习对场景变化鲁棒的因果注意力表征，从而消除注意力偏差；通过对实例级的类别特征引入因果原型约束，消除非因果目标属性的影响，进而学习因果类别原型表征，消除类别原型偏差。本方法从因果学习角度学习可单域泛化的因果特征，与其他方法相比，具有更好的鲁棒性和有效性。

【技术实现步骤摘要】

本专利技术涉及单域泛化目标检测，具体说是一种基于因果表征学习的单域泛化目标检测方法。

技术介绍

1、未见领域的分布偏移问题常常在感知系统部署时出现，导致模型性能明显下降。因此，域泛化作为迁移学习的一个分支，其目标在于将多个源域的知识泛化应用到未知的目标域。单源域泛化是域泛化的一种特殊情况，它只涉及到一个源域，并着重探索模型在不同图像退化情况下的鲁棒性。

2、在目标检测任务中，已有的两种单域泛化方法采取了不同的faster r-cnn泛化策略。其中，基于域不变特征学习的方法通过对网络施加约束来显式解耦域不变特征与域特定特征，这一方法不依赖数据增强技术。另一种基于数据增强的方法则是通过扰动数据分布来提升模型的泛化能力。然而，这两种策略各自都有明显的局限性。首先，研究已证明域不变特征本质上是与域有关且有偏差的，因为对当前领域不变的特征，在其他域中可能就变得不稳定。这一问题的根源在于从有偏差的数据分布中学得的域不变特征并非因果特征，因而不能很好地适应未见目标域环境。其次，那些仅依赖数据增强技术而不约束网络特征的域泛化方法，未能从丰富的增强数据分布中捕获本文档来自技高网...

【技术保护点】

1.一种基于因果表征学习的单域泛化目标检测方法，其特征在于，执行如下步骤获取无偏的Faster R-CNN网络；将源域图像输入该网络实现基于因果表征学习的单域泛化目标检测；

2.根据权利要求1所述的一种基于因果表征学习的单域泛化目标检测方法，其特征在于，所述全局-局部数据变换包括频域的全局数据变换过程和空间域的局部数据变换过程。

3.根据权利要求2所述的一种基于因果表征学习的单域泛化目标检测方法，其特征在于，所述全局变换GT的公式为：

4.根据权利要求2所述的一种基于因果表征学习的单域泛化目标检测方法，其特征在于，所述空间域的局部数据变换，包括：...

【技术特征摘要】

1.一种基于因果表征学习的单域泛化目标检测方法，其特征在于，执行如下步骤获取无偏的faster r-cnn网络；将源域图像输入该网络实现基于因果表征学习的单域泛化目标检测；

2.根据权利要求1所述的一种基于因果表征学习的单域泛化目标检测方法，其特征在于，所述全局-局部数据变换包括频域的全局数据变换过程和空间域的局部数据变换过程。

3.根据权利要求2所述的一种基于因果表征学习的单域泛化目标检测方法，其特征在于，所述全局变换gt的公式为：

4.根据权利要求2所述的一种基于因果表征学习的单域泛化目标检测方法，其特征在于，所述空间域的局部数据变换，包括：

5.根据权利要求1所述的一种基于因果表征学习的单域泛化目标检测方法，其特征在于，全局-局部数据增强模块(glt)输出的增强图像表示为...

【专利技术属性】
技术研发人员：田建东，刘雅静，郝春晖，陈文，
申请(专利权)人：中国科学院沈阳自动化研究所，
类型：发明
国别省市：