申请/专利权人：杭州电子科技大学

申请日：2024-01-31

公开（公告）日：2024-06-14

公开（公告）号：CN118196371A

主分类号：G06V10/25

分类号：G06V10/25;G06V10/26;G06T7/194;G06N3/045;G06N3/0895;G06N3/0464;G06N3/094;G06N3/084;G06N3/096

优先权：

专利状态码：在审-公开

法律状态：2024.06.14#公开

摘要：本发明公开了一种基于背景、前景裁剪互换的目标检测域适应方法。本发明采用半监督学习的师生模型框架，通过教师模型的指数移动平均来进行缓慢更新，使得模型能够从学生模型习得的主要知识中获取信息，从而实现自监督效果。通过引入域辨别器进行对抗训练，增强了模型提取域不变表征的能力，从而提高了鲁棒性。此外，前景‑背景混合实例策略进一步增强了模型的域适应能力，通过裁剪、填充和粘贴操作，有效地创建了带有源域背景的目标域实例图像和带有目标域背景的源域实例图像。最后，采用迭代优化策略，不断改进模型性能，通过计算多个损失函数进行梯度反向传播来更新学生模型，并使用指数移动平均来更新教师模型。

主权项：1.一种基于背景、前景裁剪互换的目标检测域适应方法，其特征在于，具体的步骤如下：步骤1：采用在ImageNet上预训练的ResNet50作为学生模型与教师模型的主干网络，用于提取图像特征，检测器采用Faster-RCNN，训练开始即将学生模型复制给教师模型；步骤2：将有标签的源域数据Is,ys输入学生模型，将输出的检测结果y's与标签ys计算有监督损失Lsup，进行有监督训练；同时将无标签的目标域数据It,none输入教师模型，并根据输出的分类置信度δ筛选出高可信预测目标充当伪标签；步骤3：当教师模型输出结果满足生成伪标签，则启动前景-背景混合实例策略：首先根据源域标签ys和目标域伪标签获取各个实例的边界框位置信息对源域图像Is和目标域图像It进行裁剪，得到裁剪获得的源域实例图像和目标域实例图像同时再将原位置用平均像素填充，进而得到两域的背景图像和复制一份两域背景图像与两域实例目标进行交叉粘贴，即将源域实例粘贴到目标域背景上，将目标域实例粘贴到源域背景上得到两域前景-背景混合图像和将得到的两域背景图像载入域辨别器D，计算对抗损失Ladv，从而与主干网络进行对抗训练；同时再将和进行数据增强，然后输入学生模型，得到的检测结果与标签及伪标签计算混合损失Lmix；步骤4：经过步骤1到3即完成了一次迭代，通过计算Lsup、Ladv、Lmix进行梯度反向传播来更新学生模型，接着再通过指数移动平均来更新教师模型。

全文数据：

权利要求：

百度查询： 杭州电子科技大学 一种基于背景、前景裁剪互换的目标检测域适应方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD