[发明专利]一种基于可迁移注意力机制的领域自适应的目标检测方法

说明书

本发明公开了一种基于可迁移注意力机制的领域自适应的目标检测方法，包括：输入源域图片及目标域图片；通过主干网络分别提取源域图片的第一特征图、目标域图片的第二特征图；分别对第一特征图及第二特征图进行基于位置、通道的可迁移注意力的特征增强；将增强后的特征输入检测头，完成域自适应的目标检测。该基于可迁移注意力机制的领域自适应的目标检测方法的目的是解决现有针对缩小源域和目标域分布之间差异的解决方法的效果比较差的问题。

技术领域

本发明涉及光电技术领域，具体涉及一种基于可迁移注意力机制的领域自适应的目标检测方法。

背景技术

目前我们处于一个信息爆炸的社会，每时每刻都会产生大量数据。数据标注是一个极其耗费人力物力的任务，而且从头开始训练一个模型的代价也非常高昂。如何利用现有的有标签数据训练能够适用于无标签数据的模型成为当前研究的热门问题。迁移学习就是解决这一问题的重要方法之一。

迁移学习是一种通过已有的知识来学习新知识的方法，核心是利用已有知识和新知识之间的相似性。在迁移学习中，我们已有的知识叫做源域，需要学习的新知识叫做目标域，源域和目标域不同但具有某种关联，我们需要尽量缩小源域和目标域之间的分布差异。按照迁移学习的方式，常用的迁移学习方法可分为基于样本的迁移，基于特征的迁移，基于模型的迁移和基于关系的迁移等。

领域自适应(Domain Adaption)是迁移学习中的一个重要的研究方向，对于一个有标签的源域和无标签的目标域，它们提取的特征和预测类别相同但特征的分布不同。针对如何缩小源域和目标域分布之间的差异的问题，目前常用的解决思路有如下几种：

概率分布适配，该方法从数据分布的角度最小化概率分布的距离，大多数方法基于MMD距离进行优化求解。目前使用较多的是基于深度学习的分布适配方法，如DDC，DAN等。

特征选择，选择源域和目标域的公共特征建立统一的模型，同时适用于源域和目标域。

特征变换，该思路把源域和目标域变换到相同的特征子空间中，采用子空间学习法。

有鉴于此，本领域技术人员亟待提供一种基于可迁移注意力机制的领域自适应的目标检测方法用于解决上述问题。

发明内容

(一)要解决的技术问题

本发明的目的在于提供一种基于可迁移注意力机制的领域自适应的目标检测方法，以解决现有针对缩小源域和目标域分布之间差异的解决方法的效果比较差的技术问题。

(二)技术方案

本发明提供了一种基于可迁移注意力机制的领域自适应的目标检测方法，该方法包括以下步骤：

输入源域图片及目标域图片；

通过主干网络分别提取所述源域图片的第一特征图、所述目标域图片的第二特征图；

分别对所述第一特征图及所述第二特征图进行基于位置、通道的可迁移注意力的特征增强；

将增强后的特征输入检测头，完成域自适应的目标检测。

进一步地，所述第一特征图、所述第二特征图均为最顶层特征图。

进一步地，对所述第一特征图及所述第二特征图进行基于位置的可迁移注意力的特征增强，具体包括如下步骤：

为所述第一特征图及所述第二特征图中的K个区域分别训练各自的第一域判别器；其中，每个所述第一域判别器负责匹配对应区域中源域和目标域的数据；

采用熵函数刻画每一个所述区域的域分类的不确定性；

根据可迁移注意力将每一个所述区域分别进行加权后加入残差路径直接连接输入和输出，获取增强后的特征。