[发明专利]一种天气自适应的目标检测网络模型和方法

说明书

本发明公开了一种天气自适应的目标检测网络模型和方法，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；对晴天图像数据进行标注，把标注的晴天数据集作为源域数据集，把无标注的雨天数据集作为目标域数据集；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；加载所述权重参数文件，得到检测网络模型；将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。在受天气影响情况下保证甚至提高检测精度，同时本方法也解决了人工标注数据工作量大的问题。

技术领域

本发明属于计算机视觉技术领域，是尤其涉及一种基于域自适应目标检测网络模型和检测方法。

背景技术

目前的目标检测网络如yolov5,faster-rcnn，FCOS等存在两个重要的问题。首先，这些检测网络都依赖来大量的有标注的训练数据，精准标注所有的训练数据通常要花费大量的成本，而且有些场景的训练数据不容易获取。其次，这些网络存在模型泛化能力不足的问题，比如当天气发生变化时，例如晴天、雨天变化会使以前的目标检测算法的检测精度下降。

发明内容

本发明主要是解决现有实际应用的目标检测模型受天气影响较大，在正常天气数据集训练出的模型在雨雾天气可能表现不是太好的适应性问题，提供一种天气自适应的目标检测网络模型和检测方法，在受天气影响情况下保证甚至提高检测精度，同时本方法也解决了人工标注数据工作量大的问题。

为解决上述技术问题，本发明所采用的技术方案是：

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。

上述技术方案中，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。

上述技术方案中，三个特征提取结构G1、G2、G3构成的卷积层结构相同。

上述技术方案中，三个特征提取结构G1、G2、G3均为4个3*3的卷积层构成。

上述技术方案中，模型训练过程如下：

将源域数据和目标域数据的图片并行处理，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。