龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
申请/专利权人：中国科学院沈阳自动化研究所
申请日：2024-04-12
公开（公告）日：2024-06-28
公开（公告）号：CN118262098A
主分类号：G06V10/25
分类号：G06V10/25;G06V10/82;G06N3/042;G06N3/0464;G06N3/09;G06N5/04
优先权：
专利状态码：在审-公开
法律状态：2024.06.28#公开
摘要：本发明涉及一种基于因果表征学习的单域泛化目标检测方法。针对现有的FasterR‑CNN目标检测网络泛化能力差的问题，分析了该网络在输入空间存在的训练数据偏差以及特征空间存在的注意力偏差和类别原型偏差，提出无偏的FasterR‑CNN网络。通过构建结构因果模型，分析目标检测任务中变量之间的因果关系，识别出场景和非判别性目标属性两种非因果因素，并通过对源域图像中的非因果因素进行数据变换，提升数据分布多样性，消除输入数据的偏差；通过对图像级别的整体特征引入因果注意力约束，学习对场景变化鲁棒的因果注意力表征，从而消除注意力偏差；通过对实例级的类别特征引入因果原型约束，消除非因果目标属性的影响，进而学习因果类别原型表征，消除类别原型偏差。本方法从因果学习角度学习可单域泛化的因果特征，与其他方法相比，具有更好的鲁棒性和有效性。
主权项：1.一种基于因果表征学习的单域泛化目标检测方法，其特征在于，执行如下步骤获取无偏的FasterR-CNN网络；将源域图像输入该网络实现基于因果表征学习的单域泛化目标检测；所述方法包括以下步骤：S1：构建结构因果模型，分析影响目标检测的因果因素和非因果因素；S2：构建全局-局部数据变换模块，通过对源图像中的场景和非判别性目标属性这两类非因果因素进行数据变换来增加输入数据分布多样性，消除数据偏差，得到增强图像；S3：构建因果注意力学习模块对源图像和增强图像进行处理，将场景级因果特征的学习转化为因果注意力的学习，避免将因果特征与非因果特征进行解耦，输出注意力图；根据注意力图选择因果特征，经主干网络后续的区域生成网络RPN产生区域候选框P；S4：在FasterR-CNN网络中构建因果原型学习模块，构建显示不变性约束和隐式不变性约束来促进目标级因果特征的学习，得到因果原型学习模块的损失函数；从而得到整体网络的总损失函数；S5：利用源域数据集对整体网络进行训练，在目标域数据上进行推理和测试，得到无偏的FasterR-CNN网络。
全文数据：
权利要求：
百度查询： 中国科学院沈阳自动化研究所 一种基于因果表征学习的单域泛化目标检测方法
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。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号