[发明专利]一种基于混合域与协同训练跨域检测模型的自训练方法

权利要求书

1.一种基于混合域与协同训练跨域检测模型的自训练方法，其特征在于，包括：

采集源域数据集和目标域数据集；

将所述源域数据集和所述目标域数据集输入至CycleGAN网络中，以得到混合域数据集；

将所述混合域数据集输入至协同训练模型中进行训练，得到初始训练模型；

将所述目标域数据集输入至所述初始训练模型中，通过特征提取网络F对所述目标域数据集中的目标域提取特征参数，再将所述特征参数输入至分支模块F1和F2中，以得到所述目标域的位置和类别信息并将其标记为所述目标域的伪标签，同时还计算得到模型优化参数；

将所述标记有伪标签的目标域数据集、模型优化参数和混合域数据集输入至所述初始训练模型中，以得到基于混合域与协同训练跨域检测模型。

2.根据权利要求1所述的自训练方法，其特征在于，所述采集源域数据集和目标域数据集还包括：对所述源域数据集和所述目标域数据集进行尺寸归一化处理。

3.根据权利要求1所述的自训练方法，其特征在于，所述将所述源域数据集和所述目标域数据集输入至CycleGAN网络中，得到混合域数据集的步骤包括：

步骤S21，将所述源域数据集和所述目标域数据集输入至所述CycleGAN网络中；

步骤S22，对所述源域数据集计算损失函数生成与所述目标域数据集相似的中间域数据集；

步骤S23，所述中间域数据集和所述源域数据集合并生成所述混合域数据集。

4.根据权利要求1所述的自训练方法，其特征在于，所述对所述源域数据集计算损失函数生成与所述目标域数据集相似的中间域数据集的步骤包括：

计算所述源域数据集和所述目标域数据集的损失函数，生成其对应的迁移图像；

先通过生成器对所述迁移图像进行转换，再通过鉴别器对转换后的所述迁移图像进行判别，以生成所述中间域数据集。

5.根据权利要求4所述的自训练方法，其特征在于，所述将所述目标域数据集输入至所述初始训练模型中，通过特征提取网络F对所述目标域数据集中的目标域提取特征参数，再将所述特征参数输入至分支模块F1和F2中，以得到所述目标域的位置和类别信息并将其标记为所述目标域的伪标签，同时还计算得到模型优化参数的步骤包括：

步骤S41，通过所述特征提取网络F对所述目标域数据集中的目标域进行特征提取，得到所述目标域对应的特征参数；

步骤S42，将所述特征参数分别输入至所述分支模块F1和F2中；

步骤S43，计算所述分支模块F1和F2的损失函数得到所述模型优化参数；

步骤S44，根据所述分支模块F1和F2得到所述目标域的位置信息和类别信息，通过位置阈值和类别阈值对所述目标域的位置信息和类别信息进行判断，直至所述目标域数据集中所有目标域均标记有标签。

6.根据权利要求5所述的自训练方法，其特征在于，所述模型优化参数L如下：

L＝L_co+L₁+L₂

其中和是将F₁和F₂中的卷积块W_con1和W_con2的权值进行全局均值化和通道压缩后的结果；p和t代表标签中的类别和位置信息，p₁和代表F₁分支模块得到的类别和位置，而p₂和t₂代表F₂分支模块得到的类别和位置；分类损失L_cls1和L_cls2采用交叉熵损失函数计算得到，回归损失L_reg1和L_reg2采用smooth L1函数计算得到。