[發明專利]一種基于CycleGAN與偽標簽的目標檢測自適應模型的構建方法

有效

• 申請號: 202010540046.8
• 申請日: 2020-06-15
• 公開（公告）號: CN111882055B
• 公開（公告）日: 2022-08-05
• 發明（設計）人: 劉啟和;楊紅;周世杰;程紅蓉;譚浩
• 申請（專利權）人: 電子科技大學
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06N3/04
• 代理公司: 成都九鼎天元知識產權代理有限公司 51214
• 代理人: 錢成岑

1.一種基于CycleGAN與偽標簽的目標檢測自適應模型的構建方法，其特征在于，包括如下步驟：

S1，源域數據集和目標域數據集預處理，將預處理后的源域數據集和目標域數據集用于執行S2-S3；

S2，使用CycleGAN網絡將源域數據集轉換為接近目標域數據集的中間域數據集，并將所述中間域數據集輸入到Faster R-CNN網絡中進行訓練，得到初步域自適應模型Q；然后將目標域數據集重新輸入到所述初步域自適應模型Q中，獲得帶偽標簽的目標域數據集；

S3，將中間域數據集與帶偽標簽的目標域數據集輪流輸入到初步域自適應模型Q中進行迭代式地更新與優化，最終得到基于CycleGAN與偽標簽的目標檢測域自適應模型；訓練所述初步域自適應模型Q的損失函數為利用置信度改進Faster R-CNN網絡的目標檢測總損失函數；

所述目標檢測總損失函數為：

L_{Faster R-CNN}＝L_{RPN_cls}+L_{RPN_reg}+L_{RoIHead_cls}+L_{RoIHead_reg}

其中：

i表示anchor的編號；p_i表示第i個anchor為目標物體的概率；t_i表示目標物體預測邊框，是目標物體預測邊框相對于目標物體真實邊框的修正參數，M表示目標物體的類別數量，p_is表示第i個anchor作為目標物體s的概率；N_cls與N_reg分別表示mini-batch中使用的數據集樣本數量與anchor數量；λ為調整因子；

所述改進的目標檢測總損失函數為：

其中：

d_i表示第i個目標物體的置信度，λ₁與λ₂用于調整置信度對位置回歸損失函數與影響的調整因子。

2.根據權利要求1所述的基于CycleGAN與偽標簽的目標檢測自適應模型的構建方法，其特征在于，步驟S1包括：

S11，源域數據集預處理：

將含有標簽數據的源域數據集X_s＝{(s₁，q₁，a₁)，(s₂，q₂，a₂)，…，(s_n，q_n，a_n)}進行尺寸歸一化操作，得到預處理后的源域數據集其中，n為X_s中圖像樣本的個數，s_j代表X_s中第j個圖像樣本，q_j代表X_s中第j個圖像樣本中含有的標簽數據，a_j代表X_s中第j個圖像樣本中含有的位置數據；代表中第j個圖像樣本，代表中第j個圖像樣本中含有的標簽數據，代表中第j個圖像樣本中含有的位置數據；

S12，目標域數據集預處理：

將目標域數據集X_T＝{u₁，u₂，…，u_w}進行尺寸歸一化操作，得到預處理后的目標域數據集X_H＝{h₁，h₂，…，h_w}；其中，w為X_T中圖像樣本的個數，u_j代表X_T中第j個圖像樣本，h_j代表X_H中第j個圖像樣本。