[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

本發明公開了一種基于CycleGAN與偽標簽的目標檢測自適應模型的構建方法，包括：S1，源域數據集和目標域數據集預處理；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，并將中間域數據集輸入Faster R?CNN網絡進行訓練，得到初步域自適應模型Q；將目標域數據集重新輸入到模型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模型Q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。本發明通過利用置信度改進Faster R?CNN網絡的目標檢測總損失函數來訓練得到的目標檢測域自適應模型，能夠解決兩個域之間由于存在分布差異而導致目標檢測出現域漂移的問題。

技術領域

本發明涉及深度學習技術領域，尤其是一種基于CycleGAN與偽標簽的目標檢測自適應模型的構建方法。

背景技術

現有的基于深度神經網絡(如AlexNet、VGGNet、GoogleNet和ResNet等)的目標檢測方法，在訓練集和測試集數據分布嚴格一致的情況下，可使學習得到的模型應用于測試集，也可獲得較高的檢測精度。然而，將通過訓練集訓練好的模型部署在實際自然場景中，由于實際自然場景環境往往不可控，例如對象外觀、背景、光照、氣候、圖像質量等方面的巨大差異，使得兩者之間的數據分布存在差異，導致通過訓練集訓練得到的模型應用于現實世界中檢測精度會出現大幅度下降，出現域漂移問題。此時想要解決模型域漂移問題，最直接的方法是重新收集真實場景數據集，加以重新標注并訓練。但是基于深度神經網絡的目標檢測方法對于樣本數據往往依賴于大量的邊框標注信息，收集并標注這些樣本費時費力，導致訓練成本增加。此外，針對測試集進行了目標檢測任務的邊框標注工作，花費了大量的時間與人力，然而當轉換到對另一自然場景下完成檢測任務時，當前的標注會因為測試集的更換變得不可用，造成了極大的浪費。考慮到工作在相同場景下的目標檢測任務之間的數據分布雖有差異，但是兩個域之間的特征又具有一定的相似性，因此可以利用這個相似性實現知識遷移。

發明內容

本發明所要解決的技術問題是：針對兩個域之間由于存在分布差異而導致目標檢測出現域漂移的問題，提供一種基于CycleGAN與偽標簽的目標檢測自適應模型的構建方法，該方法通過改進Faster R-CNN網絡的目標檢測總損失函數來訓練得到基于CycleGAN與偽標簽的目標檢測域自適應模型。

本發明采用的技術方案如下：

一種基于CycleGAN與偽標簽的目標檢測自適應模型的構建方法，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。

進一步地，步驟S1包括：

S11，源域數據集預處理：