[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

说明书

本发明公开了一种基于CycleGAN与伪标签的目标检测自适应模型的构建方法，包括：S1，源域数据集和目标域数据集预处理；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，并将中间域数据集输入Faster R‑CNN网络进行训练，得到初步域自适应模型Q；将目标域数据集重新输入到模型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模型Q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。本发明通过利用置信度改进Faster R‑CNN网络的目标检测总损失函数来训练得到的目标检测域自适应模型，能够解决两个域之间由于存在分布差异而导致目标检测出现域漂移的问题。

技术领域

本发明涉及深度学习技术领域，尤其是一种基于CycleGAN与伪标签的目标检测自适应模型的构建方法。

背景技术

现有的基于深度神经网络(如AlexNet、VGGNet、GoogleNet和ResNet等)的目标检测方法，在训练集和测试集数据分布严格一致的情况下，可使学习得到的模型应用于测试集，也可获得较高的检测精度。然而，将通过训练集训练好的模型部署在实际自然场景中，由于实际自然场景环境往往不可控，例如对象外观、背景、光照、气候、图像质量等方面的巨大差异，使得两者之间的数据分布存在差异，导致通过训练集训练得到的模型应用于现实世界中检测精度会出现大幅度下降，出现域漂移问题。此时想要解决模型域漂移问题，最直接的方法是重新收集真实场景数据集，加以重新标注并训练。但是基于深度神经网络的目标检测方法对于样本数据往往依赖于大量的边框标注信息，收集并标注这些样本费时费力，导致训练成本增加。此外，针对测试集进行了目标检测任务的边框标注工作，花费了大量的时间与人力，然而当转换到对另一自然场景下完成检测任务时，当前的标注会因为测试集的更换变得不可用，造成了极大的浪费。考虑到工作在相同场景下的目标检测任务之间的数据分布虽有差异，但是两个域之间的特征又具有一定的相似性，因此可以利用这个相似性实现知识迁移。

发明内容

本发明所要解决的技术问题是：针对两个域之间由于存在分布差异而导致目标检测出现域漂移的问题，提供一种基于CycleGAN与伪标签的目标检测自适应模型的构建方法，该方法通过改进Faster R-CNN网络的目标检测总损失函数来训练得到基于CycleGAN与伪标签的目标检测域自适应模型。

本发明采用的技术方案如下：

一种基于CycleGAN与伪标签的目标检测自适应模型的构建方法，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。

进一步地，步骤S1包括：

S11，源域数据集预处理：