[发明专利]基于CycleGAN和条件分布自适应的目标检测方法

权利要求书

1.一种基于CycleGAN和条件分布自适应的目标检测方法，其特征在于，所述方法包括以下步骤：

步骤S1、使用CycleGAN将源域数据集进行迁移，得到更逼近目标域分布的中间数据集，预处理后对Faster RCNN网络进行训练；

步骤S2、将目标域数据集进行预处理；

步骤S3、将预处理后的中间数据集和目标域图像输入到特征提取器中，域鉴别器根据条件分布判断特征属于中间数据集或目标域，进行对抗训练后得到最大公有特征；

步骤S4、检测器根据公有特征对目标域图像分类和定位，最终得到基于CycleGAN和条件分布自适应的目标检测模型。

2.如权利要求1所述的的基于CycleGAN和条件分布自适应的目标检测方法，其特征在于，所述步骤S1中，利用CycleGAN对源域中的图像进行转换，预处理后训练Faster RCNN模型，过程如下：

S11.将源域数据X_s和目标域数据X_t放入CycleGAN模型中，得到预训练模型M；

S12.将源域中的数据集X_s再次输入到模型M中，得到更逼近目标域数据分布的数据集X_c＝{(s₁,q₁,a₁),...(s_j,q_j,a_j),...(s_n,q_n,a_n)}，其中，n代表X_c中图像样本个数，s_j代表X_c中第j个图像样本，q_j代表X_c中第j个样本含有的标签数据，a_j代表X_c中第j个样本含有的位置数据；

S13.对中间数据集X_c预处理，将生成的中间数据集X_c进行尺寸归一化操作，得到预处理后的中间数据集X_c*＝{(p₁*,b₁*,c₁*),...(p_j*,b_j*,c_j*),...,(p_n*,b_n*,c_n*)}；其中，p_j*代表X_c*中第j个图像样本，b_j*代表X_c*中第j个样本含有的标签数据，c_j*表述X_c*中第j个图像样本含有的位置数据；

S14.使用X_c*对Faster RCNN进行训练，得到模型N。

3.如权利要求2所述的的基于CycleGAN和条件分布自适应的目标检测方法，其特征在于，所述步骤S2的过程如下：

将目标域数据集X_t＝{u₁,...u_j,...,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_t*＝{v₁,...v_j,...,v_w}；其中，w为X_t中图像样本的个数，u_j表示X_t中第j个图像样本，v_j表示X_t*中第j个图像样本。

4.如权利要求1～3之一所述的基于CycleGAN和条件分布自适应的目标检测方法，其特征在于：所述步骤S3中，利用特征提取器提取中间域数据集和目标域的最大公共特征，放入域鉴别器进行域判断，优化损失函数提取出最大公共特征，实现目标域的图像定位，过程如下：

S31.将数据集X_c*和目标域X_t*中图像输入CNN特征提取器中；

S32.特征提取器对图像进行卷积操作，得到图像的特征图f，尺寸为H×W×C，其中H、W、C分别是图像的高度、宽度和通道数；

S33.将特征图输入域鉴别器D中，域分类器根据由特征图判断图像属于数据集X_c*或X_t*；

S34.根据域分类结果调整特征提取器，直至提取出最大公共特征f_max，优化函数为；

其中代表源域中样本数量，n_s代表中间数据集的样本数量，n_t代表目标域的样本数量，c代表域分类器数量，D_s代表中间域X_c*，D_t代表目标域X_t*，x_i代表输入样本，代表输入样本x_i的预测概率分布，G_f代表域分类器，L_d代表分类器的交叉熵，d_i代表输入样本x_i的域标签；

S35.将特征f_max输入模型N，得到目标检测结果。