[发明专利]一种基于生成对抗的目标检测器学习方法

权利要求书

1.一种基于生成对抗的目标检测器学习方法，其特征在于，包括：

构建循环生成对抗学习模型；所述循环生成对抗学习模型包括两组样本生成器；

构建联合网络模型；所述联合网络模型在所述循环生成对抗学习模型中集成有目标检测器；所述目标检测器与所述两组样本生成器相连，并将两组真实图像，以及由所述两组样本生成器生成的两组生成图像作为输入，在梯度反向传播过程中将梯度值输出至所述两组样本生成器；

对所述联合网络模型进行训练，并将由所述目标检测器输出的梯度值反向传播至对应的样本生成器中，直至所述联合网络模型收敛。

2.根据权利要求1所述的基于生成对抗的目标检测器学习方法，其特征在于，所述循环生成对抗学习模型还包括与所述两组样本生成器分别相连的两组样本判别器。

3.根据权利要求1所述的基于生成对抗的目标检测器学习方法，其特征在于，所述对所述联合网络模型进行训练，包括：

对所述循环生成对抗学习模型和所述目标检测器分别进行训练；

在全部完成训练后，再联合所述循环生成对抗学习模型和所述目标检测器对所述联合网络模型进行端到端训练。

4.根据权利要求3所述的基于生成对抗的目标检测器学习方法，其特征在于，所述对所述循环生成对抗学习模型和所述目标检测器分别进行训练，包括：

对所述循环生成对抗学习模型进行单独训练直到收敛，获取此时的循环生成对抗学习模型的权重；

基于循环生成对抗学习模型的权重对所述目标检测器进行单独训练直到收敛，获取此时的目标检测器的权重。

5.根据权利要求4所述的基于生成对抗的目标检测器学习方法，其特征在于，所述在全部完成训练后，再联合所述循环生成对抗学习模型和所述目标检测器对所述联合网络模型进行端到端训练，包括：

基于收敛后的循环生成对抗学习模型的权重，以及收敛后的目标检测器的权重对所述联合网络模型进行端到端训练。

6.根据权利要求1所述的基于生成对抗的目标检测器学习方法，其特征在于，所述对所述联合网络模型进行训练，包括：

构建联合网络损失函数并更新权重；所述联合网络损失函数包括与所述目标检测器对应的检测器损失函数，以及与所述循环生成对抗学习模型对应的对抗网络损失函数。

7.根据权利要求6所述的基于生成对抗的目标检测器学习方法，其特征在于，所述与所述目标检测器对应的检测器损失函数，包括：

所述目标检测器在真实图像上的损失函数，以及在生成图像上的损失函数；

所述与所述循环生成对抗学习模型对应的对抗网络损失函数，包括：

其中，L_GAN为对抗网络损失函数、L_GAN(G_x,D_x)和L_GAN(G_y,D_y)分别为两组判别器采用的损失函数、L_cyc(G_x,G_y)为循环一致性损失函数。

8.根据权利要求1所述的基于生成对抗的目标检测器学习方法，其特征在于，在对所述联合网络模型进行训练完成之后，所述基于生成对抗的目标检测器学习方法还包括：

输入所述待检测图像至所述目标检测器，以实现对所述待检测图像进行检测；

将所述目标检测器输出的目标边界框作为对所述对待检测图像的检测结果。

9.根据权利要求1所述的基于生成对抗的目标检测器学习方法，其特征在于，各组样本生成器还分别包括：

编码器、转码器和解码器；

其中，所述编码器用于将输入图像转换成高维特征向量；

所述转码器用于使与所述高维特征向量相对应的图像与另一图像域的图像相匹配；

所述解码器用于解码所述高维特征向量，得到低阶图像。

10.根据权利要求1所述的基于生成对抗的目标检测器学习方法，其特征在于，所述目标检测器包括如下中的一种：

SSD、YOLO和RetinaNet。