[发明专利]一种基于CycleGAN与伪标签的目标检测自适应模型的构建方法

权利要求书

1.一种基于CycleGAN与伪标签的目标检测自适应模型的构建方法，其特征在于，包括如下步骤：

S1，源域数据集和目标域数据集预处理，将预处理后的源域数据集和目标域数据集用于执行S2-S3；

S2，使用CycleGAN网络将源域数据集转换为接近目标域数据集的中间域数据集，并将所述中间域数据集输入到Faster R-CNN网络中进行训练，得到初步域自适应模型Q；然后将目标域数据集重新输入到所述初步域自适应模型Q中，获得带伪标签的目标域数据集；

S3，将中间域数据集与带伪标签的目标域数据集轮流输入到初步域自适应模型Q中进行迭代式地更新与优化，最终得到基于CycleGAN与伪标签的目标检测域自适应模型；训练所述初步域自适应模型Q的损失函数为利用置信度改进Faster R-CNN网络的目标检测总损失函数；

所述目标检测总损失函数为：

L_{Faster R-CNN}＝L_{RPN_cls}+L_{RPN_reg}+L_{RoIHead_cls}+L_{RoIHead_reg}

其中：

i表示anchor的编号；p_i表示第i个anchor为目标物体的概率；t_i表示目标物体预测边框，是目标物体预测边框相对于目标物体真实边框的修正参数，M表示目标物体的类别数量，p_is表示第i个anchor作为目标物体s的概率；N_cls与N_reg分别表示mini-batch中使用的数据集样本数量与anchor数量；λ为调整因子；

所述改进的目标检测总损失函数为：

其中：

d_i表示第i个目标物体的置信度，λ₁与λ₂用于调整置信度对位置回归损失函数与影响的调整因子。

2.根据权利要求1所述的基于CycleGAN与伪标签的目标检测自适应模型的构建方法，其特征在于，步骤S1包括：

S11，源域数据集预处理：

将含有标签数据的源域数据集X_s＝{(s₁，q₁，a₁)，(s₂，q₂，a₂)，…，(s_n，q_n，a_n)}进行尺寸归一化操作，得到预处理后的源域数据集其中，n为X_s中图像样本的个数，s_j代表X_s中第j个图像样本，q_j代表X_s中第j个图像样本中含有的标签数据，a_j代表X_s中第j个图像样本中含有的位置数据；代表中第j个图像样本，代表中第j个图像样本中含有的标签数据，代表中第j个图像样本中含有的位置数据；

S12，目标域数据集预处理：

将目标域数据集X_T＝{u₁，u₂，…，u_w}进行尺寸归一化操作，得到预处理后的目标域数据集X_H＝{h₁，h₂，…，h_w}；其中，w为X_T中图像样本的个数，u_j代表X_T中第j个图像样本，h_j代表X_H中第j个图像样本。