[发明专利]基于CycleGAN和条件分布自适应的目标检测方法

说明书

一种基于CycleGAN和条件分布自适应的目标检测方法，主要解决现实问题中往往无法提供检测器所需的大量实例级注释的问题，利用CycleGAN将源域数据进行迁移，获得逼近目标域分布的中间数据集，预处理后训练Faster RCNN网络；将中间数据集和目标域数据输入特征提取器获得特征图，域分类器根据特征区分图像属于中间数据集或目标域，域分类器和特征提取器对抗训练获得最大公共特征；将目标域的公有特征输入Faster RCNN中进行目标检测，获得图像的定位结果。本发明结合了CycleGAN进行风格迁移和条件分布适应的优点，实现了缺实例级标注下的对图像的准确目标检测。

技术领域

本申请属于深度学习领域，具体涉及基于CycleGAN和条件分布自适应的目标检测方法。

背景技术

目标检测是计算机视觉中的基础又具挑战的任务。最先进的目标检测方法通常基于训练数据和测试数据都来自相同的分布。目前，目标检测中性能最佳的检测器是全监督检测器(FSDs)，但通常需要大量的带实例级注释的图像中学习。实例级注释由标签和边界框组成。但在很多图像领域中，构建具有实例级注释的大型数据集通常是困难和不现实的(缺乏图像来源、版权和注释成本等障碍)。使用已有数据辅助训练模型能很好地缓解数据稀缺问题，但光照、姿态和图像质量等影响，会造成两个域之间存在降低性能的变化或偏移。因此，如何高效使用已有数据的信息称为一个关键问题。

目前，深度域自适应在图像分类和语义分割上获得了很好的效果，也有望能提高目标检测的性能。深度域自适应目标检测旨在利用源域丰富的数据和目标域贫乏的数据来学习一个鲁棒的目标检测器，学习过程依赖于深度域自适应目标检测模型或原理，源域和目标域之间的分布不同或完全不同，经过训练的目标检测器有望在目标域表现出色。因此，如何减少域偏移并构建鲁棒的目标检测器对目标检测任务非常重要。

发明内容

为了克服现有技术的不足，本申请提供一种基于CycleGAN和条件分布自适应的目标检测方法，通过Fsater RCNN网络进行目标检测，得到基于CycleGAN和条件分布自适应的目标检测模型。

为实现上述目的，本申请所采取的技术方案为：

一种基于CycleGAN和条件分布自适应的目标检测方法，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。

进一步，所述步骤S1中，通过使用CycleGAN对源域数据集处理后的得到贴近目标域的中间数据集，并训练Faster RCNN，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；