[发明专利]一种天气自适应的目标检测网络模型和方法

权利要求书

1.一种天气自适应的目标检测网络模型，其特征在于：

包含源域数据特征Fi_s和目标域数据特征Fi_t的五层特征图Fi，i的范围是[3，4，5，6，7]；

特征图Fi后面先并联两个特征提取结构G1、G2，在特征提取结构G1后的特征输出为边界框预测图F_reg，在特征提取结构G2后的特征输出为中心点预测图F_cnt；边界框预测图F_reg连接边界框回归损失，中心点预测特征图F_cnt连接中心点预测损失；

中心点预测特征图F_cnt通过Sigmoid激活函数激活，并和对应的特征图Fi进行逐个元素相乘，并乘以方法系数a得到增强特征图Fe；

在增强特征图Fe后面添加一个特征提取结构G3得到类别概率预测特征图F_cls；类别概率预测图F_cls后添加类别损失函数；

增加一个域自适应分类算法中的一种LMMD损失，将每层的源域数据特征Fi_s和目标域数据特征Fi_t对应的增强特征图Fe和类别概率预测特征图F_cls分别输入连接到的LMMD损失。

2.根据权利要求1所述的天气自适应的目标检测网络模型，其特征在于：

包含源域数据特征Fi_s和目标域数据特征Fi_t的特征图Fi来自于FCOS网络head之前的特征提取网络输出的五层特征。

3.根据权利要求1所述的天气自适应的目标检测网络模型，其特征在于：三个特征提取结构G1、G2、G3构成的卷积层结构相同。

4.根据权利要求1所述的天气自适应的目标检测网络模型，其特征在于：三个特征提取结构G1、G2、G3均为4个3*3的卷积层构成。

5.根据权利要求1所述的天气自适应的目标检测网络模型，其特征在于：模型训练过程如下：

将源域数据集和目标域数据集的图片并行处理，然后将这些图片输入到特征提取网络，之后经过FPN处理之后，输出包含源域数据特征Fi_s和目标域数据特征Fi_t的五层特征图Fi；其中，源域数据集对应标注的晴天图像数据集，目标域数据集对应无标注的雨天图像数据集，均来自于晴天视频数据和雨天视频数据；

然后将特征图分别输入到三个特征提取结构G1、G2、G3；经过特征提取结构之后,源域数据得到的结果要分别计算回归损失、中心点损失和类别损失；然后将每层的源域和目标域对应的增强特征图Fe和类别概率预测特征图F_cls分别输入连接到LMMD损失；最后累加每层的损失和；然后进行梯度回传，进行参数更新，最终得到模型参数文件。

6.根据权利要求1所述的天气自适应的目标检测网络模型，其特征在于模型训练过程中，每一批输入的数据，都包含相同数量的源域和目标域数据。

7.根据权利要求1所述的天气自适应的目标检测网络模型，其特征在于模型训练过程中，所述损失和等于回归损失、中心点损失和类别损失的三者之和。

8.根据权利要求1所述的天气自适应的目标检测网络模型，其特征在于：通过模型进行目标预测的过程如下：

直接将输入图片输入到网络中，先进行特征提取，然后进入FPN层，将提取的特征输入到特征提取结构G1、G2、G3中，得到包含类别预测、中心点预测和边界框预测的预测结果；然后将预测结果经过对应到原图上，通过NMS去除冗余的边界框，即可输出目标检测图。

9.一种天气自适应的目标检测方法，其特征在于包括如下步骤：

步骤一：采集数据并制作数据集：

首先，利用视觉采集装置分别采集晴天视频数据和雨天视频数据，然后编写脚本将视频处理成图片；之后利用labelme标注工具只对晴天图像数据进行标注，把标注的晴天图像数据集作为源域数据集，把无标注的雨天图像数据集作为目标域数据集；

步骤二：将源域数据集和目标域数据集放到天气自适应的目标检测网络模型中训练，得到模型的权重参数文件；

步骤三：加载所述权重参数文件，得到检测网络模型；

步骤四：将视觉采集装置获取的视频流，按设定帧数提取一张图片，输入到检测网络模型中进行预测，并将预测结果进行显示。

10.根据权利要求9所述的天气自适应的目标检测方法，其特征在于所述视觉采集装置为无人驾驶车上的相机。