[发明专利]一种基于CycleGAN的无人艇域自适应目标检测方法

说明书

本发明公开了一种基于CycleGAN的无人艇域自适应目标检测方法，通过使用CycleGAN生成对抗网络将源域图像转化为目标域风格，无需人工标注即可得到生成的目标域数据集，使用生成的数据集对原有的目标检测模型进行微调，即可得到适用于新的海面场景的目标检测模型，大幅减少了标注的时间和成本，使无人艇可以快速适应海面场景的动态变化，进而提高无人艇感知系统的可靠性。本发明在复杂海面场景下可以实现跨域自适应，适合部署在无人艇上完成海面目标检测任务。

技术领域

本发明属于无人艇环境感知和计算机视觉技术领域，具体涉及一种基于CycleGAN的无人艇域自适应目标检测方法。

背景技术

由于光照、季节、气候条件等引起的海面目标外观成像细节变化对基于深度学习完成感知任务的无人艇提出了巨大的挑战。即使在训练阶段得到了性能很好的模型，在部署到无人艇上执行感知任务时，由于海面环境的动态变化，会使识别效果严重下降。

为了保证无人艇可以安全自主的航行，最重要的一点就是可以在各种海洋环境下准确的感知周围环境。虽然近期基于深度学习的目标检测算法取得很好的效果，但通常情况下训练集和测试集来源于统一数据集即同一领域下采集的图像。无人艇在实际航行时，海面环境会发生动态的变化，这对于无人艇感知功能来说是一个巨大的挑战。即使时天气条件轻微的变化也会导致目标检测器性能的极具下降，这将影响无人艇的安全航行。

发明目的

本发明的目的为提供一种基于CycleGAN的无人艇域自适应目标检测方法，在复杂海面场景下可以实现跨域自适应，适合部署在无人艇上完成海面目标检测任务。

技术方案

本发明的目的是这样实现的：

步骤一：在特定场景下采集海面图像，利用无人艇搭载的光学相机在真实海洋环境中采集海面图像，构建源域数据集并进行人工标注；

步骤二：采用源域数据集对目标检测网络进行训练得到初始模型，利用YOLOv5作为目标检测网络，利用源域数据集对其进行训练得到初始模型；

步骤三：在新的场景下采集海面图像作为目标域数据集；

步骤四：将源域图像和目标域图像同时输入到CycleGAN网络中进行训练，得到将源域图像转化为目标域图像风格的生成器；

步骤五：利用训练好的生成器将带标注的源域图像转化为目标域图像风格，得到生成的目标域数据集；

步骤六：使用生成的目标域数据集对训练好的初始目标检测模型进行微调，得到新的目标检测模型；

步骤七：当无人艇的遇到新的场景时，重复步骤三至步骤六。

进一步地，所述步骤二中采用源域数据集对YOLOv5进行训练，训练过程中同时考虑类别损失、回归损失和置信度损失，采用SGD随机梯度下降对参数进行更新，直至损失值收敛。

进一步地，所述步骤三中新的场景具体是指由于光照、气候等海面环境的动态变化，而导致海面场景不同于采集源域图像时的场景。