【技术实现步骤摘要】
本专利技术涉及目标检测技术，特别是一种基于伪标签置信度对齐均值教师的无监督跨域目标检测方法。
技术介绍
1、目标检测旨在在图像中定位感兴趣类别的对象实例，深度神经网络的快速发展促进其取得了显著的成功。然而，这一令人印象深刻的进展取决于具有大量带标签数据的完全监督学习。在标签监督下训练良好的模型很容易在其他未知域下受到严重的退化影响，因为它们倾向于偏向已知域的数据分布。这种缺陷严重阻碍了现实世界应用，如自动驾驶和视频分析。与此同时，大规模有标签数据集获取非常耗费劳动和时间，因此通过监督学习在新的域提高模型的泛化能力变得不切实际。
2、为了解决这些限制，无监督跨域目标检测被提出来，用于将检测器从已标注的源域适应到未标注的目标域。许多研究采用了一种常见的范式来进行无监督跨域目标检测，即引入无监督域自适应(unsupervised domain adaptation,uda)来对不同域的分布进行对齐。通过这种方式，检测器可以将从源域学到的关键知识转移给目标域，而无需额外的人工标注。近来，均值教师(mean teacher)方法在目标...
【技术保护点】
1.一种基于伪标签置信度对齐均值教师的无监督跨域目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于伪标签置信度对齐均值教师的无监督跨域目标检测方法，其特征在于，基于gj＝1[pj>τp]1[uj<τu]进行伪标签选取，gj∈{0,1}为一个二元变量，当gj为1时表示将第j个预测实例选取为伪标签，1[]为指示函数，pj和uj分别表示第j个预测实例的最大类别置信度和对应的不确定性，τp和τu是对应的阈值。
3.根据权利要求2所述的基于伪标签置信度对齐均值教师的无监督跨域目标检测方法，其特征在于，其中是对应于第j个预测...
【技术特征摘要】
1.一种基于伪标签置信度对齐均值教师的无监督跨域目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于伪标签置信度对齐均值教师的无监督跨域目标检测方法，其特征在于，基于gj＝1[pj>τp]1[uj<τu]进行伪标签选取，gj∈{0,1}为一个二元变量，当gj为1时表示将第j个预测实例选取为伪标签，1[]为指示函数，pj和uj分别表示第j个预测实例的最大类别置信度和对应的不确定性，τp和τu是对应的阈值。
3.根据权利要求2所述的基于伪标签置信度对齐均值教师的无监督跨域目标检测方法，其特征在于，其中是对应于第j个预测实例的分类损失，ma表示单张图像的锚框数量，λj为第j个证据强度。
4.根据权利要求3所述的基于伪标签置信度对齐均值教师的无监督跨域目标检测方法，其特征在于，单个预测实例的分类任务的单通道输出f(x；θ)表示为：α＝e(f(x；θ))，β＝α*exp-f(x；θ)，e表示证据函数，采用sigmoid激活函数。
5.根据权利要求1所述的基于伪标签置信度对齐均值教师的无监督跨域目标检测方法，其特征在于，给定多尺度特征f，其中f(m,n,o)表示第o个尺度上(m,n)位置处的特征，训练所述学生检测器时，首先在单个特征映射空间中重新排序多尺度特征f：f′(m,n,o)←f(m+s0,n+s...
【专利技术属性】
技术研发人员：龚政辉，陈江明，阮瓒茜，刘丽，刘振，秦玉亮，刘天鹏，高勋章，刘永祥，
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：
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。