[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

说明书

本发明属于深度学习与目标检测领域，具体涉及一种基于混合域与协同训练跨域检测模型的自训练方法，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，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进行训练，以得到基于混合域与协同训练跨域检测模型。

技术领域

本发明属于深度学习与目标检测领域，具体涉及一种基于混合域与协同训练跨域检测模型的自训练方法。

背景技术

目标检测是计算机视觉的一个重要分支，应用十分广泛。而深度学习网络模型的提出，使计算机视觉领域得到更进一步的发展。深度学习模型从图像中自适应学习，是一种端到端的检测方法。随着大数据时代的到来，各种用于训练深度学习网络模型的数据集不断地丰富与完善也推动了基于深度学习的计算机视觉领域发展。而带标签的样本数量对深度学习有着至关重要的影响，样本数量直接影响着网络性能，然而收集带有标注信息的源域图像是昂贵的，有时是不可能的。

在深度学习中，域是指图像的场景。例如，白天与黑暗为不同的域，晴天和雾天为不同的域。在不同的域中，物体的存在不同的差异。然而在目标检测域自适应任务中，因为域间差异，源域训练好的模型往往在目标域上测试其精度会有较大的下降。

主流的目标检测域自适应任务中，采用单步的域自适应方法和多步的域自适应方法，对于单步域自适应方法，一般是直接对源域和目标与进行域自适应训练；而对于多步的域自适应方法，一般首先采用域迁移生成中间域和目标域，即为无标签域(目标域)提供伪标签进行训练。这种采用伪标签的多步域自适应方法能够产生较为可观的效果，但它在训练时仅仅关注了目标域和生成的中间域，而不再关注源域，并且单网络生成的伪标签质量有限，生成的伪标签质量对模型性能有至关重要的影响，限制了模型性能。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于混合域与协同训练跨域检测模型的自训练方法，可以解决域差异或伪标签质量低，造成对图像的检测精度降低的技术问题。

为实现上述目的及其他相关目的，本发明提供一种基于混合域与协同训练跨域检测模型的自训练方法，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。

根据本发明一具体实施例，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。

根据本发明一具体实施例，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。

根据本发明一具体实施例，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。