[发明专利]一种基于特征分离和对齐的域自适应无监督目标检测方法

权利要求书

1.一种基于特征分离和对齐的域自适应无监督目标检测方法，其特征在于，包括以下步骤：

将成对的源域和目标域RGB样本输入到两阶段的目标检测框架中，通过源域的标签计算检测损失，训练目标检测框架，获得学习好的目标检测模型；基于所述学习好的目标检测模型完成目标检测；

其中，在训练过程中，通过目标检测框架中的特征提取网络得到多级别的高维特征，并将多级别的高维特征进行对齐；通过目标检测框架中的区域提议网络，得到候选区域的预测边界框，对得到的预测边界框进行聚类实现区域分组，对每组的区域实例特征进行对齐；

其中，在训练过程中，将所述成对的源域和目标域RGB样本灰度化并进行特征分离，分离出与检测有关的高维特征及与检测无关的扰乱特征；将分离出的两特征合并，进行图像重构，得到源域和目标域的重构灰度图像，使得分离出的特征不偏移原图像本身。

2.根据权利要求1所述的一种基于特征分离和对齐的域自适应无监督目标检测方法，其特征在于，所述将所述成对的源域和目标域RGB样本灰度化并进行特征分离，分离出与检测有关的高维特征及与检测无关的扰乱特征；将分离出的两特征合并，进行图像重构，得到源域和目标域的重构灰度图像，使得分离出的特征不偏移原图像本身的步骤具体包括：

将灰度化后的源域和目标域样本，分别输入到私有编码器E_s、E_t，得到两域的高维特征；

将两域的高维特征与目标检测框架的特征提取网络得到的高维特征合并，得到两域的融合特征；

将两域的融合特征输入到共享解码器S_D，得到重构灰度图像。

3.根据权利要求2所述的一种基于特征分离和对齐的域自适应无监督目标检测方法，其特征在于，所述将灰度化后的源域和目标域样本，分别输入到私有编码器E_s、E_t，得到两域的高维特征时，使用差异化损失，表达式为：

其中，为Frobenius范数的平方，g(·)为全局池化层，分别为第i个源域和目标域样本通过E_s/E_t得到的与检测无关的扰乱特征和通过特征提取网络得到的与检测有关的高维特征。

4.根据权利要求2所述的一种基于特征分离和对齐的域自适应无监督目标检测方法，其特征在于，将两域的融合特征输入到共享解码器S_D中，得到重构灰度图像时，灰度图像的重构损失函数采用l₁损失，表达式为：

其中，为l₁范数，和分别为第i个源域和目标域的灰度化的图像，为S_D的重构图像。

5.根据权利要求1所述的一种基于特征分离和对齐的域自适应无监督目标检测方法，其特征在于，通过目标检测框架中的区域提议网络，得到候选区域的预测边界框，对得到的预测边界框的中心坐标进行聚类实现区域分组，对每组的区域实例特征进行对齐的步骤具体包括：

通过目标检测框架的区域提议网络，得到候选区域的实例特征和其对应的预测边界框；将预测边界框的中心坐标输入到尺度空间滤波聚类，实现区域分组；

将每组的候选区域对应的上下文感应的实例特征进行精炼，得到精炼的实例特征，并将其输入到域分类器中，输出域标签，实现区域实例特征对齐。

6.根据权利要求5所述的一种基于特征分离和对齐的域自适应无监督目标检测方法，其特征在于，将预测边界框的中心坐标输入到尺度空间滤波聚类，实现区域分组的步骤具体包括：

利用尺度空间滤波计算出来的生命周期“Lifetime”，确定聚类个数和每一类的聚类中心，得到合理区域；通过合理区域去除异常候选区域；通过聚类中心得到每一组的候选区域。