[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

说明书

本发明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，涉及图像目标检测领域，本发明在使用领域特征对抗学习方法和自适应实例标准化方法对骨干网络特征进行对齐的基础上，提出区域建议网络中心对齐系统，进一步对齐区域建议特征，解决目标检测无监督域适应中模型的检测精度和泛化能力差的问题，使区域建议网络在目标域中依然能给出高质量的候选框，从而提高整体检测网络的域适应能力。

技术领域

本发明涉及图像目标检测领域，尤其是一种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及方法。

背景技术

当前，目标检测技术已经较为成熟，但好的检测效果离不开大量标注数据。在目标检测任务中，图片标注（亦称作标签）的主要内容为每张图片中各个物体的类别和能包围每个物体的最小矩形框的信息（大小、位置），这些标注数据的获得往往需要很多人力物力。同时，能通过一些其他方式方便地获取大量带有标注的相关数据（例如游戏引擎生成的虚拟图像，通常称为源域），标注类别相同的数据可以辅助真实世界场景（通常称为目标域）的任务，然而由于外观差异，直接利用这些数据训练得到的模型，在实际场景下的效果会明显变差。无监督域适应方法可以解决相应的问题。本发明主要研究目标检测无监督域适应学习方法，具体地，针对目标检测任务，给定源域数据（包括图像和相应标注）和目标域数据（仅包括图像），利用无监督域适应学习方法使得网络模型更加适应目标域上的检测任务。

在目标检测无监督域适应任务中，需要使网络尽可能学习到两个域共有的、对检测结果有利的特征。目前的目标检测无监督域适应方法主要分为两类：一种是对抗学习法，主要是利用生成对抗网络使得基础检测网络的前端特征提取网络能够提取出具有域不变性的特征，以此来对齐源域和目标域的特征分布等；另一种是图像风格转换法，主要是先把源域转换为多个具有不同风格的中间域，然后根据源域的标注信息让计算机自动的为中间域生成相应的标注数据，最后利用与目标域更为相近的中间域和目标域进行对抗训练，以得到域不变特征。在专利《一种基于对抗性域适应的无监督图像目标检测方法》（公开号CN112668594A）中，将源域、目标域图片输入两阶段网络获得骨干网络浅层、深层特征以及区域建议网络生产的正样本兴趣区域特征后，将这三个特征分别送入浅层域判别器、深层域判别器、正样本兴趣区域判别器进行对抗学习，以使网络尽可能的提取具有域不变性质的特征。但是这种方式会使网络强制对齐域特有的特征，这些特征本来就不应该也不可能被对齐，强制对齐域特有特征反而劣化了域适应效果。在某些现有技术中，会对区域建议特征与类别中心进行关系建模并不断的进行更新，利用更新得到的类别中心来拉近目标域和源域之间每一类的距离，同时借助源域信息拉开目标域不同类别之间的距离。但目标域的类别判定本就存在较多错误，对错误的类别进行中心对齐会使网络往错误的方向更新。现有的另外一些目标检测技术是在某一特定领域专用的方法，泛化能力差。因此，设计一种泛用的、能尽可能对齐域不变特征、能减小错误伪标签对网络的负面影响的方法具有重要的实用价值和现实意义。

发明内容

为了提高域适应中区域建议网络对目标域进行区域建议的迁移能力，进而提高目标检测无监督域适应中模型的检测精度和泛化能力，

本发明公开一种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。先前的目标检测无监督域适应方法往往强调骨干网络或者二阶段检测算法中第二阶段分类、回归网络的特征对齐，忽略了一阶段区域建议网络给出候选框的精确度的重要性。本发明在使用领域特征对抗学习方法和自适应实例标准化方法对骨干网络特征进行对齐的基础上，提出区域建议网络中心对齐系统，进一步对齐区域建议特征，使区域建议网络在目标域中依然能给出高质量的候选框，从而提高整体检测网络的域适应能力。所述系统包含目标检测模块、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四个部分。