[发明专利]一种无源领域自适应目标检测方法

说明书

本发明公开一种无源领域自适应目标检测方法，应用于目标检测领域，针对现有的跨域目标检测效果较差的问题；本发明首先将预训练的源域模型加载到学生模型和教师模型，然后将从目标域场景中获取的无标签目标域图像输入到教师模型，该目标域图像对应的超级目标域图像被输入到学生模型；本发明在图像级和实例级分别利用域判别器来对齐超级目标域和目标域的特征并最小化学生模型和教师模型的类别一致性损失；最后学生模型通过反向传播更新，而教师模型根据学生模型来更新；很好地克服了跨域目标检测问题。

技术领域

本发明属于目标检测领域，特别涉及一种无监督领域自适应目标检测技术。

背景技术

目标检测作为计算机视觉领域最重要的问题之一，在近年来随着卷积神经网络的出现取得了巨大的进步。目标检测方法的实时性和准确率也在不断刷新。尽管这些目标检测方法在许多数据集上表现出了越来越快越来越准确的性能，但是它们都假设训练集和测试集来自同一个数据集，即源域和目标域处于同一个特征分布。在实际应用中，源域和目标域通常会存在域偏移，源域训练的模型直接应用到目标域性能会急剧下降。为了解决源域和目标域的域偏移问题，一种跨域的目标检测问题被提出。

领域自适应目标检测问题具有非常重要的研究意义。在一般的目标检测问题中，针对新的目标域场景，往往需要重新获取该场景的图像和标签来训练模型，而打标签是非常耗费人力的。领域自适应目标检测问题只需要基于已有的源域数据和无标签的目标域图像即可训练出在目标域工作的模型。

相关现有技术及其存在的问题：

南京邮电大学吴晓富、程磊的发明《一种基于熵最小化的迁移学习方法及系统》，公开号为：CN 110443372A；提出基于熵最小化的方法来构建损失函数，从而学习迁移学习网络。但是熵最小化往往会使正确的预测更准确，错误的预测更错误。这种方法只适用于更容易的迁移场景，即要求源域模型在目标域上有较高的效果，无法在更复杂的目标检测任务或者在更难的迁移场景下发挥出较好的效果。

深圳天海宸光科技有限公司段立新、何宜兵、宋博然、张神力、蔡忠鹏的发明《一种基于迁移学习的车牌识别系统及方法》，公开号为：CN 110443372A；该专利根据输入的车牌图片或视频数据，通过迁移学习生成新的带标注的车牌图片数据，并发送给车牌识别设备。但是生成的带标注车牌图片数据实际是从旧的数据拼接得来，难以保证生成的数据质量且无法针对性地来适应目标域场景。

发明内容

为解决上述技术问题，本发明提出一种无源领域自适应目标检测方法，考虑硬件资源和数据隐私问题，使用训练好的源域模型来代替源域数据，仅利用无标签的目标域数据进行优化。

本发明采用的技术方案为：一种无源领域自适应目标检测方法，包括：

S1、训练源域模型；

S2、基于大数定律构建超级目标域；

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；

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。

本发明的有益效果：本发明的方法考虑硬件资源和数据隐私问题，使用训练好的源域模型来代替源域数据，仅利用无标签的目标域数据进行优化；无源领域自适应问题无需访问源域样本，能有效保护源域数据的隐私；由于只需利用无标签的目标域数据优化源域模型，无需每次面对新的目标域场景就从头训练一个模型，因此这能大大节省训练时间，降低对硬件资源的要求，采用本发明的方法有效地解决了跨域的目标检测难题。

附图说明