[发明专利]基于区域建议网络中心对齐的目标检测无监督域适应系统

权利要求书

1.基于区域建议网络中心对齐的目标检测无监督域适应系统，其特征在于，包括：目标检测模块、骨干网络特征对抗学习模块、区域建议网络中心对齐模块和联合损失函数训练域适应目标检测网络，

其中，所述目标检测模块，能够使用基础的两阶段目标检测框架对输入图像依次进行特征提取、获得初步候选框、对候选框中的物体进行分类和候选框边界框精修，最终得到检测结果；

所述骨干网络特征对抗学习模块，能够在骨干网络的中层、高层处分别设置一个领域判别器来判断所述骨干网络特征对抗学习模块提取的特征是否属于源域，所述领域判别器与骨干网络经梯度反传网络相连；

所述区域建议网络中心对齐模块，能够通过在区域建议网络处额外引入一个中心对齐模块，使所述源域、目标域图像得到的区域建议特征尽可能的与预先定义的中心特征对齐，进而自然地对齐所述源域、所述目标域的所述区域建议特征；

所述联合损失函数训练域适应目标检测网络，能够联合目标检测损失函数、骨干网络特征对抗学习损失函数和区域建议网络中心对齐损失函数对域适应检测网络中的所述目标检测模块、骨干网络特征对抗学习模块、区域建议网络中心对齐模块分别进行训练，最终获得域适应目标检测网络模型。

2.根据权利要求1所述系统，其特征在于，所述目标检测模块利用源域图像的检测结果和源域标注构造所述目标检测损失函数，引导网络提取出有利于目标检测的特征；所述目标检测损失函数包括一阶段区域建议网络的分类、回归损失和二阶段的候选框类别判定、边界框精修损失，所述目标检测损失函数表达如下：

；

其中，所述目标检测损失函数为，为一阶段区域建议网络的分类损失、所述为回归损失，所述为二阶段的候选框类别判定损失、所述为边界框精修损失,其中为相应损失的加权系数，用于控制各个模块产生的损失在整体损失中的比重。

3.根据权利要求1所述系统，其特征在于，所述骨干网络特征对抗学习模块用于，在所述骨干网络的中层、高层处分别设置一个领域判别器来判断所述骨干网络特征对抗学习模块提取的特征是否属于所述源域，所述领域判别器与所述骨干网络经所述梯度反传网络相连；通过比较域判别网络对输入特征的判定结果和所述骨干网络特征对抗学习模块提取的特征的实际来源构造所述骨干网络特征对抗学习损失函数，引导骨干网络提取具有域不变性质的特征；所述骨干网络特征对抗学习损失函数为一个最小最大博弈，对于源域图片和目标域图片，对抗损失函数如下:

其中，和分别表示骨干特征提取网络和领域判别网络，G和D的下标表示骨干网络的第个卷积块处，和为对应和的参数，和之间使用梯度反传网络（）连接；和表示源域数据和目标域数据；表示期望。

4.根据权利要求1所述系统，其特征在于，所述区域建议网络中心对齐模块，能够通过在区域建议网络处额外引入一个中心对齐模块，使所述源域、所述目标域图像得到的区域建议特征尽可能的与预先定义的中心特征对齐，进而自然地对齐所述源域、所述目标域的区域建议特征，使区域建议网络在目标域上有着较好的迁移能力；所述区域建议网络中心对齐模块包括：伪标签生成、区域建议特征提取、中心特征更新、中心对齐、计算区域建议网络中心对齐损失五个子模块。

5.根据权利要求4所述系统，其特征在于，所述伪标签生成是指，获得用来判定所述区域建议网络给出的所述候选框是否属于正样例的标签；对于所述源域，直接选取标注数据作为所述标签；对于所述目标域，首先对第二阶段给出的检测框进行非极大值抑制（）、概率阈值筛选，然后对每个类别按预测概率大小排序并选取每个类别前N个检测框作为伪标签，以此来平衡类不均匀性。

6.根据权利要求4所述系统，其特征在于，所述区域建议特征提取是指，对于所述区域建议网络给出的所有所述候选框，分别计算其与标签框的交并比，将交并比大于正样例阈值的候选框记为正样本，交并比小于负样例阈值的候选框记为负样本；然后将所有的所述正样本、随机选取的与正样本数目相同的所述负样本结合，作为区域建议网络中心对齐的训练样本；对于每一个训练样本，利用骨干网络提取的全局特征和得到区域建议特征。