[发明专利]一种基于对抗性域适应的雾天目标检测方法

说明书

本发明公开了一种基于对抗性域适应的雾天目标检测方法，涉及目标检测技术领域；它的检测方法如下：步骤一、构建域适配网络；步骤二、训练域特征提取器；步骤三、对有雾图像的测试；本发明通过加入域适配组件提升Foggy Cityscape的检测效果；优化网络以提高在真实数据集RTTS上的检测效果；将选定的最优目标检测算法和域适配方案有机结合，采用对抗性学习的方法来实现端到端的图像去雾目标检测算法。

技术领域

本发明属于目标检测技术领域，具体涉及一种基于对抗性域适应的雾天目标检测方法。

背景技术

目标检测作为计算机视觉中最基本、最具挑战性的问题之一，近年来受到了广泛的关注。它在过去二十年的发展可以说是计算机视觉历史的缩影。

作为一项重要的计算机视觉任务，目标检测是处理数字图像中检测特定类(如人、动物或汽车)的视觉目标实例。目标检测的目标是开发计算模型和技术，提供计算机视觉应用程序所需的最基本的信息之一：什么目标和目标在哪里。

目标检测作为计算机视觉的基本问题之一，是许多其他计算机视觉任务的基础，如实例分割、图像字幕、目标跟踪等。从应用程序的角度来看,目标检测可以被分为两个研究主题“一般目标检测”和“特定场景下的目标检测”,前一个旨在探索的方法检测不同类型的目标在一个统一的框架来模拟人类的视觉和认知,后一个是指检测特定的应用场景下,如行人检测、人脸检测、文本检测等等。

近年来，随着深度学习技术的快速发展，为目标检测注入了新的血液，使得该领域取得了显著的突破，并将其推向了一个前所未有的研究热点。当下，在许多新兴的 AI 应用领域，如无人机、自动/辅助驾驶、搜索和救援机器人、环境监测、安全监视、运输和检查，都十分依赖于计算机视觉的室外环境感知与理解。而这类系统一般来说涉及的任务比较广泛，对于目标任务，包含检测、识别、分割、跟踪和解析。

然而现今的这些先进的目标检测算法，虽然能够在固定的环境和条件下取得一定的成果，但是如果在没有条件限制的环境中（如恶劣天气、光照条件差等），视觉感知和理解算法的性能将受到很大的影响。

譬如在雾天，由于图像数据集不足、雾天表现形式多样等因素,使得基于深度学习的目标检测网络在雾天图像行人和车辆检测中容易出现过拟合,造成鲁棒性不佳和准确率不高等问题。

发明内容

为解决现有在雾天，由于图像数据集不足、雾天表现形式多样等因素,使得基于深度学习的目标检测网络在雾天图像行人和车辆检测中容易出现过拟合,造成鲁棒性不佳和准确率不高等问题；本发明的目的在于提供一种基于对抗性域适应的雾天目标检测方法。

本发明的一种基于对抗性域适应的雾天目标检测方法，它的检测方法如下：

步骤一、构建域适配网络：

首先选定baseline，选用的域适配组件有两种：图像级和实例级，在SSD模型中，图像级指的是基础卷积层的输出特征，而合并实例级表示帮助减小定位实例的不同；

步骤二、训练域特征提取器：

训练域特征提取器的过程和GAN相似，输入数据为源域和目标域的数据；

步骤三、对有雾图像的测试：

检测算法在训练完成后，不需要域适配组件即可对有雾图像进行检测，模型最终在真实的有雾数据集上进行验证，若出现在合成数据表现良好而在真实数据上表现欠佳的情况，对域适应配件进行更改，或对目标检测网络的结构进行优化。

与现有技术相比，本发明的有益效果为：

一、通过加入域适配组件提升Foggy Cityscape的检测效果；优化网络以提高在真实数据集RTTS上的检测效果。

二、将选定的最优目标检测算法和域适配方案有机结合，采用对抗性学习的方法来实现端到端的图像去雾目标检测算法。

附图说明