[发明专利]一种协调特征一致性和特异性的跨域目标检测方法及系统

说明书

本发明公开了一种协调特征一致性和特异性的跨域目标检测方法及系统，包括：步骤1，构建源域数据集和目标域数据集，搭建基准跨域目标检测模型；步骤2，通过特征特异性记忆读写模块不断更新记忆单元中的记忆元素，指导基准跨域目标检测模型对特征特异性进行学习，再通过特征一致性加权对齐模块使用源域和目标域记忆元素来引导相同类别的记忆元素进行混淆、以及根据待检测目标类别出现的比例对每个类别级域判别器的损失函数进行加权，在语义特异性基础上进一步引导特征对跨域一致性的学习，得到跨域目标检测模型；步骤3，以协调特征一致性和特异性的跨域目标检测模型的损失函数为优化目标对该模型进行训练，并将训练后的模型应用于目标域。

技术领域

本发明涉及基于深度学习的域自适应目标检测技术领域，尤其是涉及一种协调特征一致性和特异性的跨域目标检测方法及系统。

背景技术

当前基于深度学习的目标检测模型普遍面临着因训练集(称为源域)和测试集(称为目标域)数据分布的差异而引起的域漂移问题，该问题在一定程度上限制了目标检测模型推广应用的能力，这对道路交通视频监控、智能车辆目标检测等现实应用场景提出了巨大挑战。无监督域自适应目标检测设法将源域的知识迁移至目标域，在避免额外标注目标域数据以及重新训练模型的前提下，可以提高目标检测模型跨不同领域的检测性能。如何使用恰当的域自适应策略来完成源域到目标域的知识迁移以提高目标检测模型的跨域鲁棒性，这一问题正逐渐成为计算机视觉、迁移学习等研究领域的关注焦点。

现有无监督域自适应目标检测方法往往从像素级、图像级和实例级出发，通过在目标检测器上附加不同级别的域判别器，并使用梯度反转层对从域判别器流向目标检测器的梯度进行符号取反，建立起目标检测器和域判别器双方之间的博弈关系。在训练过程中，目标检测器不断生成尽可能相似的源域特征和目标域特征以欺骗域判别器，而域判别器则尽可能区分出由目标检测器生成的特征来自于源域还是目标域。实践表明，这种通过目标检测器和域判别器相互制衡的方式可以显著增强源域特征和目标域特征的一致性，极大提高目标检测模型的跨域检测能力。

在域自适应研究领域，特征的一致性是指所提取出来的源域特征和目标域特征能够达到彼此相同的状态，而特征的特异性是指所提取出来的不同类别的特征能够达到互不相同的状态。二者在特征对齐过程中占据着同等重要的地位，而且往往呈现出相互矛盾的关系。

现有无监督域自适应目标检测方法大多致力于对特征一致性的学习，而忽视了过度学习特征一致性所带来的特征特异性潜在丧失的问题，这极有可能为处于模型下游、与检测相关的特定任务(如分类、定位等)带来不利影响，进而引起特征错误对齐的问题，在一定程度上阻碍了模型进行跨域目标检测的性能。

此外，源域数据中不同目标类别的数量本身可能就存在较大的不平衡，在特征一致性学习过程中，数量较多的目标类别相当于具有较大的权重，而数量较少的目标类别相当于具有较小的权重。现有无监督域自适应目标检测方法即使已经具备获取特异性特征的能力，在面临丰富且复杂的实际应用场景时也难以避免特异性特征对齐不充分的问题，由此加剧了跨域目标检测模型的偏差。

发明内容

本发明的目的是提供一种协调特征一致性和特异性的跨域目标检测方法及系统，其能够在跨域目标检测中实现对特征的特异性和一致性的协调。

实现上述目的，本发明提供一种协调特征一致性和特异性的跨域目标检测方法，其包括：

步骤1，根据实际应用需求，构建源域数据集和目标域数据集，并搭建能够初步提取一致性特征的基准跨域目标检测模型；