CN114626461B 基于领域自适应的跨域目标检测方法 （西安理工大学）

本发明公开一种基于领域自适应的跨域目FasterRCNN网络作为目标检测器，将源域Ds和生成数据域DG作为训练集对目标检测器进行训T的数据集进行复杂度评估导致训练后实例类别和边界框位置预测准确率2步骤5，采用步骤4训练好的目标检测器对待检输出的高维特征向量使用L2范数进行归一化，然后使用归一化的特征来训练岭回归分类2.如权利要求1所述的基于领域自适应的跨域目3.如权利要求2所述的基于领域自适应的跨域3将X输入给CycleGAN网络的第一个判别器DX；4.如权利要求2所述的基于领域自适应的跨域目标检测方法，其特征在于，所述CycleGAN网络包括对实现映射时的损失函数LC(G,DY)、表示实现映射其中LC(G,DY)表示实现映射FY-X时的损失函数，其中表示真实样本y通过判别器DY的损失函数，其中表示生成样本G(x)通过判别器DY的损失函数，DY(y)表示真实样本y通过判别器DY的得分，DY(G(x))表示生成样本G(x)通过判别器DY的得分；其中LC(F,DX)表示实现映射时的损失函数，其中表示真实样本x通过判别器的损失函数，其中EY-p,w[log(1-DX(F(y)))l表示生成样本F(y)通过判别器DX的损失函数，DX(x)表示真实样本x通过判别器DX的得分，DX(F(y))表示生成样本F(y)通过判别器DX的得分；ll其中LC(G,F)表示在对齐生成样本和真实样本的分布时所产生的损失，F(G(X))-X表示生成样本G(x)和真实样本x之间的损失值，G(F(y))-y表示生成样本F(y)和真实。5.如权利要求1所述的基于领域自适应的跨FasterRCNN网络结构包括依次连接VGG16特征提取网络F(·)和RPN网络，所述VGG16特征46.如权利要求5所述的基于领域自适应的跨,本混合并使用VGG16网络作为特征提取器F(·)提取出高维特征向量步骤3.2将高维特征向量F(DS)，F(D1)输入给后续全连接网络、ReLU非线性激活函数获得候选区域R，再对特征图S和候选区域R进行感兴趣区域池化P(·)得到每个感兴趣区LC(p,p)=-log[pfp;+(1-p⃞)(1-p)]5测的工作就是要在静态图像或连续帧的视频图像序列中对所出现的部分目标进行检测和中提取特征，进行分类和定位。目前的目标检测算法大体上可以分为two-stage和one-[0004]虽然现有的大多数目标检测算法在自然图像上都能够取例的对象类)和边界框(即实例的位置)组成，样本级标签仅知道图像中实例类别而不知道6[0014]步骤2中CycleGAN网络结构由两个相同结构的生成器和两个相同结构的判别器构示真实样本y通过判别器DY的损失函数，其中EX-p;tj[log(1-DY(G(x))l表示生成样示真实样本x通过判别器DX的损失函数，其中EY-pro[log(1-DX(FI))l表示生成样7表示生成样本G(x)和真实样本x之间的损失值，G(F(y))-y表示生成样本F(y)和真实样本y的样本⃞,%,i=1,2,3…混合并使用VGG16网络作为特征提取器F(·)提取出高维特征LC(p,PF)=-log⃞fp+(1-PF)(1-p)][0039]其中i为小批量中锚点的索引，pi是锚点i作为目标的预测概率，pi为真值，当i是预测边界框的四个参数化坐标的向89[0059]其中步骤2中CycleGAN网络结构由两个相同结构的生成器和两个相同结构的判别示真实样本y通过判别器DY的损失函数，其中表示生成样示真实样本x通过判别器DX的损失函数，其中EY-pro[log(1-DX(F))表示生成样表示生成样本G(x)和真实样本x之间的损失值，G(F(y))-y表示生成样本F(y)和真实样本y[0077]VGG16网络结构由13个卷积层和3个全连接层组成，因为过一次卷积核为2×2最大池化，然后经过128个3×3的卷积核卷积两次后，接ReLU激活函的样本混合并使用VGG16网络作为特征提取器F(·)提取出高维特征LC(p,pi)=-log;p+(1-p⃞)(1-p)