[发明专利]一种无源领域自适应目标检测方法

权利要求书

1.一种无源领域自适应目标检测方法，其特征在于，包括：

S1、训练源域模型；步骤S1具体为：采用基于区域的卷积神经网络来训练源域模型，所述基于区域的卷积神经网络包括：特征提取网络、区域提取网络和分类网络；将源域数据输入基于区域的卷积神经网络，首先经过特征提取网络得到图像的特征，然后将提取的图像的特征输入区域提取网络提取出候选区域特征并计算区域提取网络的前背景损失与预测框的粗略回归损失之和L_rpn，每个候选区域的特征被输入分类网络来计算分类损失和预测框的精确回归损失之和L_roi；最后通过最小化L_FR来训练源域模型；

S2、基于大数定律构建超级目标域；步骤S2具体为：

视源域和目标域的图像是域不变部分由各自不同的域噪声干扰而得；

则第i张经零均值处理后的目标域图像表示为零均值域不变图像和零均值域噪声的加权求和；

估计域噪声：根据域噪声对于同一个域的图像是相同的，通过对n个零均值化的目标域图像求平均得到域噪声的估计；

通过将域噪声的估计加到目标域上，得到超级目标域；

S3、将超级目标域输入到学生模型，超级目标域对应的目标域图像输入到教师模型；

S4、利用判别器来对齐教师模型与学生模型的图像级特征和实例级特征；步骤S4图像级对齐损失函数L_MA定义为：

其中，i表示第i张图像，h、w表示在特征图中的位置，p是特征属于目标域的概率，D是域标签，D＝1表示目标域，D＝0表示超级目标域；

实例级对齐损失函数L_NA定义为：

其中，r表示第r个候选区域，是i张图像的第r个区域属于目标域的概率；

S5、对教师模型与学生模型的预测结果做类别一致性，具体为：将学生模型的分类结果与教师模型的分类结果做交叉熵损失；

S6、通过最小化交叉熵损失函数来更新学生模型的参数，加权学生模型和上一代教师模型的参数来更新当前教师模型的参数；教师模型参数更新表达式为：

其中，θ_st是学生模型的参数，θ_te是教师模型的参数，α是用于控制教师模型更新的系数，k表示批次序号。

2.根据权利要求1所述的一种无源领域自适应目标检测方法，其特征在于，将目标域图像均分为若干批次，按批次输入基于区域的卷积神经网络进行训练，域噪声根据当前批次的局部噪声与上一批次的域噪声求和的平均值进行更新。