[发明专利]一种基于多层特征对齐的跨域目标检测方法

权利要求书

1.一种基于多层特征对齐的跨域目标检测方法，其特征在于，包括以下步骤：

Step1：对源域数据和目标域数据进行预处理；

Step2：将预处理后的源域数据输入SSD检测模型，通过对有标注信息的源域数据进行端到端的训练，得到一个全监督的初始检测模型，并作为下一步训练的预训练模型；

Step3：利用预训练模型对预处理后的源域数据和目标域数据进行特征提取；

Step4：使用对抗生成网络实现源域与目标域多层特征对齐；

所述Step4具体为：通过Step3特征提取后，得到源域特征F_m(x_S)和目标域特征F_m(x_T)，其中m表示第m层卷积特征，然后使用对抗生成网络实现源域与目标域特征的对齐，其中设定对抗生成网络的判别器为D_m，其为一个二分类网络，并以F_m作为生成器，对于判别器，设定源域分类标注为1，目标域分类标注为0，则第m层判别器训练目标函数为二分类交叉熵损失函数：

其中，x_S采样于源域数据分布p(x_S),x_T采样于目标域数据分布p(x_T),E(·)表示计算期望值，D_m(F_m(x_S))表示源域数据x_S的第m层特征属于真实数据的概率，D_m(F_m(x_T))表示目标域数据的第m层特征属于生成数据的概率；

在生成网络中，将源域数据集作为真实数据，将目标域数据作为生成数据，则第m层生成网络目标函数为：

联合上述两式，当判别器的输入特征来自于源域时，D_m(F_m(x_S))的值趋近于1，当判别器的输入特征来自于目标域时，D_m(F_m(x_T))趋近于0，而对于生成器，也即特征提取网络F_m，其目的是使得D_m(F_m(x_S))趋近于1，因此，其训练过程中第m特征层的损失函数V(D_m,F_m)为一个极大极小的博弈问题：

也即最小化如下式子：

Step5：将对抗生成网络即对齐网络模型与预训练模型联合训练，得到在源域数据集上训练好的最终检测模型；

将对齐网络模型与预训练模型联合训练，得到最终的检测模型，训练过程中损失函数为：

式中，L_D为不同特征层判别器损失函数的和，L_F为在源域数据上的检测损失L_det与不同特征层生成器损失函数的和，为不同特征层的对抗损失的权重。

2.根据权利要求1所述的基于多层特征对齐的跨域目标检测方法，其特征在于，所述Step1中预处理是指对数据进行增广，具体为通过亮度、饱和度以及色调调整，随机裁剪固定区，随机裁剪随机大小，随机翻转固定角度和随机翻转随机角度，得到増广图片，再做归一化处理，并将图片裁剪到固定大小，使其尺寸为300×300。