[發明專利]基于域適應的單階段目標檢測算法

有效

• 申請號: 202110646140.6
• 申請日: 2021-06-10
• 公開（公告）號: CN113469190B
• 公開（公告）日: 2023-09-15
• 發明（設計）人: 桂盛霖;張瑞瓊
• 申請（專利權）人: 電子科技大學
• 主分類號: G06V10/40
• 分類號: G06V10/40;G06V10/56;G06V10/82;G06N3/0464;G06N3/084
• 代理公司: 電子科技大學專利中心 51203
• 代理人: 鄧黎

1.一種基于域適應的單階段目標檢測方法，其特征在于，包括以下步驟：

S1)建立目標檢測網絡結構

所述目標檢測網絡結構，在單階段目標檢測算法SSD的基礎上，添加強局部對齊域適應組件v1、弱全局對齊的域適應組件v2，分別對源域以及目標域數據的局部像素特征以及整體圖像水平的特征進行對齊；

具體的：

所述強局部對齊域適應組件v1連接在基礎特征提取網絡VGG-16的第三個階段的最后一個卷積層后；所述強局部對齊域適應組件v1包含順序連接的第一梯度反轉層GRL以及一個特征提取網絡層D_l；

所述第一梯度反轉層GRL，用于自動取反源域以及目標域數據的最小平方損失的梯度，使得網絡更新的參數令源域以及目標域數據在通過該強局部對齊組件v1后，對齊輸出的特征圖上的每一個像素點；

所述特征提取網絡層D_l，包括多個1×1的卷積層以及sigmoid網絡層，sigmoid網絡層用于對特征圖的像素值進行歸一化處理；

所述弱全局對齊組件v2連接在VGG-16第四個階段的最后一個卷積層后；所述弱全局對齊組件v2包含依次連接的第二梯度反轉層GRL以及一個特征提取網絡層D_g；

所述第二梯度反轉層GRL，用于自動取反源域以及目標域數據的域分類器損失的梯度，使得域分類器能夠分辨出該特征屬于源域還是目標域數據；

所述特征提取網絡層D_g，包括多個3×3卷積層、一個平均池化層、以及全連接層，用于將提取的特征圖轉換成一個1×2的特征向量，輸入到域分類器中；

S2)計算源域數據的損失

將帶標簽的源域數據輸入目標檢測網絡，分別計算單階段目標檢測算法SSD的損失、強局部對齊域適應組件v1的損失、以及弱全局對齊的域適應組件v2的損失；其中單階段目標檢測算法SSD的損失包括預測物體所屬類別的損失和物體邊框坐標的損失，然后將損失總和計算梯度，反向傳播更新目標檢測網絡參數；

S3)計算目標域數據的損失

將無標簽的目標域數據輸入目標檢測網絡，僅計算強局部對齊域適應組件v1的損失和弱全局對齊的域適應組件v2的損失，然后將損失總和計算梯度，反向傳播更新目標檢測網絡參數；

S4)重復步驟S2)和步驟S3)，直到總的損失不在下降，目標檢測網絡收斂，完成目標檢測網絡的訓練。

2.如權利要求1所述的一種基于域適應的單階段目標檢測方法，其特征在于，在所述單階段目標檢測算法SSD的基礎上，將所述單階段目標檢測算法SSD中的Conv8、Conv9網絡層替換為卷積步長為2的第二RFB感受野模塊；還在基礎特征提取網絡VGG-16的第四個階段的最后一個卷積層、以及由VGG-16網絡FC7轉化而來的卷積層之后，分別添加一個卷積步長為1的第一感受野模塊RFB；

所述第一感受野模塊RFB、第二感受野模塊、以及Conv10-2、Conv11-2網絡層的輸出均輸入到檢測器中，得到物體邊框坐標以及類別置信度；再通過非極大值抑制得到最終的物體邊框坐標以及類別置信度。

3.如權利要求2所述的一種基于域適應的單階段目標檢測方法，其特征在于，所述第一、第二感受野模塊RFB，均包括并列的四個分支，第一個分支由1×1卷積層和膨脹率為1的3×3卷積層組成，第二個分支由依次連接的1×1卷積層、3×3卷積層、膨脹率為3的3×3卷積層組成，第三個分支由依次連接的1×1卷積層、5×5卷積層、膨脹率為5的3×3卷積層組成，第四個分支為無具體的網絡層的短接分支，最終合并所有分支輸出的特征圖到同一個特征空間。