CN113343989B - 一种基于前景选择域自适应的目标检测方法及系统 - Google Patents

一种基于前景选择域自适应的目标检测方法及系统 Download PDF

Info

Publication number
CN113343989B
CN113343989B CN202110779245.9A CN202110779245A CN113343989B CN 113343989 B CN113343989 B CN 113343989B CN 202110779245 A CN202110779245 A CN 202110779245A CN 113343989 B CN113343989 B CN 113343989B
Authority
CN
China
Prior art keywords
foreground
domain
features
target
global
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110779245.9A
Other languages
English (en)
Other versions
CN113343989A (zh
Inventor
郑慧诚
黄梓轩
陈蔓薇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN202110779245.9A priority Critical patent/CN113343989B/zh
Publication of CN113343989A publication Critical patent/CN113343989A/zh
Application granted granted Critical
Publication of CN113343989B publication Critical patent/CN113343989B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于前景选择域自适应的目标检测方法及系统，该方法包括：获取源域图像数据集和目标域图像数据集；对源域图像数据集和目标域图像数据集进行图像特征提取；提取感兴趣区域；对感兴趣区域进行前景选择；对不同层次的前景特征和全局特征进行域自适应，得到域自适应的检测网络；根据域自适应的检测网络对待测目标集进行目标检测。该系统包括：数据获取模块、语义特征提取模块、感兴趣区域提取模块、前景选择模块、域自适应模块和检测模块。通过使用本发明，避免了在对齐前景时背景的干扰，从而有效提高检测网络在目标域上的检测性能。本发明作为一种基于前景选择域自适应的目标检测方法及系统，可广泛应用于目标检测领域。

Description

一种基于前景选择域自适应的目标检测方法及系统
技术领域
本发明涉及目标检测领域，尤其涉及一种基于前景选择域自适应的目标检测方法及系统。
背景技术
目标检测是计算机视觉中一项重要的任务，当前提出了许多基于深度学习的目标检测方法，但是这些方法大部分都假设来自源域的训练数据和来自目标域的测试数据来自同一个分布。这些目标检测方法如果遇到一个背景、光照等等都与源域相差很多的目标域，那么检测的性能就会有很大的下降。例如训练在正常天气数据集的检测器直接应用到雾天图像时，会出现大量的目标漏检的情况。
发明内容
为了解决上述技术问题，本发明的目的是提供一种基于前景选择域自适应的目标检测方法及系统，通过将前景选择出来进行对齐，避免了在对齐前景时背景的干扰，从而有效提高检测网络在目标域上的检测性能。
本发明所采用的第一技术方案是：一种基于前景选择域自适应的目标检测方法，包括以下步骤：
获取源域图像数据集和目标域图像数据集，并输入至检测网络；
分别对源域图像数据集和目标域图像数据集进行图像特征提取，得到对应的多层次语义特征；
根据多层语义特征中的全局特征提取图像的感兴趣区域；
对感兴趣区域进行前景选择，得到不同层次的前景特征；
对不同层次的前景特征和全局特征进行域自适应，得到域自适应的检测网络；
根据域自适应的检测网络对待测目标集进行目标检测。
进一步，所述分别对源域图像数据集和目标域图像数据集进行图像特征提取，得到对应的多层次语义特征这一步骤，其具体包括：
基于主干网分别对源域图像数据集和目标域图像数据集中的图像进行处理；
通过堆叠卷积层和非线性的激活函数，提取各个图像对应的多层次语义特征。
进一步，所述根据多层语义特征中的全局特征提取图像的感兴趣区域这一步骤，其具体包括：
基于区域生成网络对源域图像数据集和目标域图像数据集中的图像进行处理；
根据图像对应的多层次语义特征中的全局特征，生成区域的中心点坐标、宽和高，得到感兴趣区域。
进一步，所述对感兴趣区域进行前景选择，得到不同层次的前景特征这一步骤，其具体包括：
对感兴趣区域进行背景预测，得到背景预测分数；
对感兴趣区域的位置进行回归修正；
通过将背景预测分数小于0.5的感兴趣区域对多层次语义特征进行池化，得到不同层次的前景特征。
进一步，所述不同层次的前景特征包括前景局部特征和前景全局特征，所述对不同层次的前景特征和全局特征进行域自适应，得到域自适应的检测网络这一步骤，其具体包括：
将全局特征、前景局部特征和前景全局特征输入至域分类器；
基于前景局部对齐模块对前景局部特征进行对齐处理，判别该前景局部特征属于源域还是目标域；
基于前景全局对齐模块对前景全局特征进行对齐处理，判别该前景全局特征属于源域还是目标域；
基于全局对齐模块对全局特征进行对齐处理，判别该全局特征属于源域还是目标域；
完成所有特征的域分类，得到域自适应的检测网络。
进一步，所述前景局部对齐模块的损失函数的表达式如下：
Figure BDA0003155552500000021
上式中，
Figure BDA0003155552500000022
和
Figure BDA0003155552500000023
分别代表从源域图像和目标域图像中挑选出来的前景特征，该前景特征宽和高分别为W和H，R表示感兴趣区域池化操作，F表示特征提取器，源域和目标域分别拥有Nt和Ns张图像，对于第i张目标域图像和源域图像
Figure BDA0003155552500000024
和
Figure BDA0003155552500000025
分别挑选了
Figure BDA0003155552500000026
和
Figure BDA0003155552500000027
个前景区域，相应的第j个前景框的信息为
Figure BDA0003155552500000028
和
Figure BDA0003155552500000029
Dfl(·)wh代表前景局部对齐模块对特征图空间坐标(w,h)的特征进行域分类的结果。
进一步，所述前景全局对齐模块的损失函数的表达式如下：
Figure BDA0003155552500000031
上式中，Dfg(·)代表前景全局对齐模块对整个前景特征图进行域分类的结果。
进一步，所述全局对齐模块的损失函数的表达式如下：
Figure BDA0003155552500000032
上式中，
Figure BDA0003155552500000033
和
Figure BDA0003155552500000034
分别表示从源域图像和目标域图像提取的全局特征，Dg(·)代表全局对齐模块对整个全局特征图进行域分类的结果。
本发明所采用的第二技术方案是：一种基于前景选择域自适应的目标检测系统，包括：
数据获取模块，用于获取源域图像数据集和目标域图像数据集，并输入至检测网络；
语义特征提取模块，用于分别对源域图像数据集和目标域图像数据集进行图像特征提取，得到对应的多层次语义特征；
感兴趣区域提取模块，用于根据多层语义特征中的全局特征提取图像的感兴趣区域；
前景选择模块，用于对感兴趣区域进行前景选择，得到不同层次的前景特征；
域自适应模块，用于对不同层次的前景特征和全局特征进行域自适应，得到域自适应的检测网络；
检测模块，用于根据域自适应的检测网络对待测目标集进行目标检测。
本发明方法及系统的有益效果是：本发明通过感兴趣区域的预测分数判别它是否是前景，然后对该区域的特征放缩到固定的大小，尽可能减少背景对前景对齐的干扰，最后通过多层次域自适应对不同层次的特征进行对齐，从而有效提高目标检测器在目标域上的检测性能。
附图说明
图1是本发明具体实施例基于前景选择域自适应的方法示意图；
图2是本发明一种基于前景选择域自适应的目标检测方法的步骤流程图；
图3是本发明一种基于前景选择域自适应的目标检测系统的结构框图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
本发明提出了基于前景选择和对齐的目标检测域自适应方法，通过感兴趣区域(ROI)的预测分数判别它是否是前景，然后使用感兴趣区域池化(FC)对该区域的特征放缩到固定的大小，尽可能减少背景对前景对齐的干扰，最后通过多层次域自适应对不同层次的特征进行对齐。
参照图1和图2，本发明提供了一种基于前景选择域自适应的目标检测方法，该方法包括以下步骤：
S1、获取源域图像数据集和目标域图像数据集，并输入至检测网络；
S2、分别对源域图像数据集和目标域图像数据集进行图像特征提取，得到对应的多层次语义特征；
S3、根据多层语义特征中的全局特征提取图像的感兴趣区域；
S4、对感兴趣区域进行前景选择，得到不同层次的前景特征；
S5、对不同层次的前景特征和全局特征进行域自适应，得到域自适应的检测网络；
S6、根据域自适应的检测网络对待测目标集进行目标检测。
进一步作为本方法的优选实施例，所述分别对源域图像数据集和目标域图像数据集进行图像特征提取，得到对应的多层次语义特征这一步骤，其具体包括：
基于主干网分别对源域图像数据集和目标域图像数据集中的图像进行处理；
通过堆叠卷积层和非线性的激活函数，提取各个图像对应的多层次语义特征。
具体地，采用ResNet或Vgg16等深度神经网络进行特征提取，深度神经网络通过不断堆叠卷积层和非线性的激活函数，可以提取到具有高层语义信息的特征。
进一步作为本方法的优选实施例，所述根据多层语义特征中的全局特征提取图像的感兴趣区域这一步骤，其具体包括：
基于区域生成网络对源域图像数据集和目标域图像数据集中的图像进行处理；
根据图像对应的多层次语义特征中的全局特征，生成区域的中心点坐标、宽和高，得到感兴趣区域。
进一步作为本方法的优选实施例，所述对感兴趣区域进行前景选择，得到不同层次的前景特征这一步骤，其具体包括：
对感兴趣区域进行背景预测，得到背景预测分数；
对感兴趣区域的位置进行回归修正；
具体地，通过在特征图上的每个位置设置9个长宽比例不同的锚点，判断锚点属于前景还是背景，并且对框的长宽进行回归，从而提取到感兴趣区域，然后使用池化将候选区的特征放缩到固定大小。
通过将背景预测分数小于0.5的感兴趣区域对多层次语义特征进行池化，得到不同层次的前景特征。
挑选出来的前景特征可以表示为
Figure BDA0003155552500000051
其中R表示感兴趣区域池化操作，F表示特征提取器，对于第i张图像xi，共挑选了Ni个前景区域，bij f表示第i张图像里挑选出来的第j个前景框的坐标。
进一步作为本方法优选实施例，所述不同层次的前景特征包括前景局部特征和前景全局特征，所述对不同层次的前景特征和全局特征进行域自适应，得到域自适应的检测网络这一步骤，其具体包括：
将全局特征、前景局部特征和前景全局特征输入至域分类器；
该部分通过域分类器进行对抗学习，域分类器用于判别特征属于源域还是目标域，梯度反向传播到主干网络时经过梯度反向层(GRL)后发生反转，帮助主干网提取到域不变特征。属于源域的图像域标签为1，属于目标域的图像域标签为0。多层次域对抗学习主要分为三部分，分别是前景局部对齐模块、前景全局对齐模块和全局对齐模块，针对一个(C×H×W)大小的特征图，C为通道数，H为高度，W为宽度。
基于前景局部对齐模块对前景局部特征进行对齐处理，判别该前景局部特征属于源域还是目标域；
具体地，前景局部对齐模块用于对齐前景特征的局部区域，该模块由若干个核大小为1的卷积层组成，最后输出一个大小为(1×H×W)的特征图，用以判别各个局部区域属于源域还是目标域。
基于前景全局对齐模块对前景全局特征进行对齐处理，判别该前景全局特征属于源域还是目标域；
具体地，前景全局对齐模块用于对齐整个前景特征，首先将输入的前景特征用全局池化获得一个大小为(1×C)的特征向量，然后经过若干个全连接层后输出一个值，判别该前景特征整体属于源域还是目标域。
基于全局对齐模块对全局特征进行对齐处理，判别该全局特征属于源域还是目标域；
具体地，全局对齐用于对齐全局特征，与前景全局对齐类似，不同点在于对齐的输入特征为全局特征而非前景特征。
完成所有特征的域分类，得到域自适应的检测网络。
进一步作为本方法优选实施例，所述前景局部对齐模块的损失函数的表达式如下：
Figure BDA0003155552500000061
上式中，
Figure BDA0003155552500000062
和
Figure BDA0003155552500000063
分别代表从源域图像和目标域图像中挑选出来的前景特征，该前景特征宽和高分别为W和H，R表示感兴趣区域池化操作，F表示特征提取器，源域和目标域分别拥有Nt和Ns张图像，对于第i张目标域图像和源域图像
Figure BDA0003155552500000064
和
Figure BDA0003155552500000065
分别挑选了
Figure BDA0003155552500000066
和
Figure BDA0003155552500000067
个前景区域，相应的第j个前景框的信息为
Figure BDA0003155552500000068
和
Figure BDA0003155552500000069
t和s分别表示目标域和源域，Dfl(·)wh代表前景局部对齐模块对特征图空间坐标(w,h)的特征进行域分类的结果。
进一步作为本方法优选实施例，所述前景全局对齐模块的损失函数的表达式如下：
Figure BDA00031555525000000610
上式中，Dfg(·)代表前景全局对齐模块对整个前景特征图进行域分类的结果。
进一步作为本方法优选实施例，所述全局对齐模块的损失函数的表达式如下：
Figure BDA00031555525000000611
上式中，
Figure BDA00031555525000000612
和
Figure BDA00031555525000000613
分别表示从源域图像和目标域图像提取的全局特征，Dg(·)代表全局对齐模块对整个全局特征图进行域分类的结果。
另外，其它没有提及到的参数属于网络模块的内置参数，按需设置。
如图2所示，一种基于前景选择域自适应的目标检测系统，包括：
数据获取模块，用于获取源域图像数据集和目标域图像数据集，并输入至检测网络；
语义特征提取模块，用于分别对源域图像数据集和目标域图像数据集进行图像特征提取，得到对应的多层次语义特征；
感兴趣区域提取模块，用于根据多层语义特征中的全局特征提取图像的感兴趣区域；
前景选择模块，用于对感兴趣区域进行前景选择，得到不同层次的前景特征；
域自适应模块，用于对不同层次的前景特征和全局特征进行域自适应，得到域自适应的检测网络；
检测模块，用于根据域自适应的检测网络对待测目标集进行目标检测。
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (5)

1.一种基于前景选择域自适应的目标检测方法，其特征在于，包括以下步骤：
获取源域图像数据集和目标域图像数据集，并输入至检测网络；
分别对源域图像数据集和目标域图像数据集进行图像特征提取，得到对应的多层次语义特征；
根据多层语义特征中的全局特征提取图像的感兴趣区域；
对感兴趣区域进行背景预测，得到背景预测分数；
对感兴趣区域的位置进行回归修正；
通过将背景预测分数小于0.5的感兴趣区域对多层次语义特征进行池化，得到不同层次的前景特征；
将全局特征、前景局部特征和前景全局特征输入至域分类器；
基于前景局部对齐模块对前景局部特征进行对齐处理，判别该前景局部特征属于源域还是目标域；
所述前景局部对齐模块的损失函数的表达式如下；
Figure FDA0003708255080000011
上式中，
Figure FDA0003708255080000012
和
Figure FDA0003708255080000013
分别代表从源域图像和目标域图像中挑选出来的前景特征，该前景特征宽和高分别为W和H，R表示感兴趣区域池化操作，F表示特征提取器，源域和目标域分别拥有Nt和Ns张图像，对于第i张目标域图像和源域图像
Figure FDA0003708255080000014
和
Figure FDA0003708255080000015
分别挑选了
Figure FDA0003708255080000016
和
Figure FDA0003708255080000017
个前景区域，相应的第j个前景框的信息为
Figure FDA0003708255080000018
和
Figure FDA0003708255080000019
Dfl(·)wh代表前景局部对齐模块对特征图空间坐标(w,h)的特征进行域分类的结果；
基于前景全局对齐模块对前景全局特征进行对齐处理，判别该前景全局特征属于源域还是目标域；
所述前景全局对齐模块的损失函数的表达式如下；
Figure FDA00037082550800000110
上式中，Dfg(·)代表前景全局对齐模块对整个前景特征图进行域分类的结果；
基于全局对齐模块对全局特征进行对齐处理，判别该全局特征属于源域还是目标域；
完成所有特征的域分类，得到域自适应的检测网络；
根据域自适应的检测网络对待测目标集进行目标检测。
2.根据权利要求1所述一种基于前景选择域自适应的目标检测方法，其特征在于，所述分别对源域图像数据集和目标域图像数据集进行图像特征提取，得到对应的多层次语义特征这一步骤，其具体包括：
基于主干网分别对源域图像数据集和目标域图像数据集中的图像进行处理；
通过堆叠卷积层和非线性的激活函数，提取各个图像对应的多层次语义特征。
3.根据权利要求2所述一种基于前景选择域自适应的目标检测方法，其特征在于，所述根据多层语义特征中的全局特征提取图像的感兴趣区域这一步骤，其具体包括：
基于区域生成网络对源域图像数据集和目标域图像数据集中的图像进行处理；
根据图像对应的多层次语义特征中的全局特征，生成区域的中心点坐标、宽和高，得到感兴趣区域。
4.根据权利要求3所述一种基于前景选择域自适应的目标检测方法，其特征在于，所述全局对齐模块的损失函数的表达式如下：
Figure FDA0003708255080000021
上式中，
Figure FDA0003708255080000022
和
Figure FDA0003708255080000023
分别表示从源域图像和目标域图像提取的全局特征，γ表示预设参数，Dg(·)代表全局对齐模块对整个全局特征图进行域分类的结果。
5.一种基于前景选择域自适应的目标检测系统，其特征在于，包括：
数据获取模块，用于获取源域图像数据集和目标域图像数据集，并输入至检测网络；
语义特征提取模块，用于分别对源域图像数据集和目标域图像数据集进行图像特征提取，得到对应的多层次语义特征；
感兴趣区域提取模块，用于根据多层语义特征中的全局特征提取图像的感兴趣区域；
前景选择模块，用于对感兴趣区域进行背景预测，得到背景预测分数；对感兴趣区域的位置进行回归修正；通过将背景预测分数小于0.5的感兴趣区域对多层次语义特征进行池化，得到不同层次的前景特征；
域自适应模块，用于将全局特征、前景局部特征和前景全局特征输入至域分类器；基于前景局部对齐模块对前景局部特征进行对齐处理，判别该前景局部特征属于源域还是目标域；基于前景全局对齐模块对前景全局特征进行对齐处理，判别该前景全局特征属于源域还是目标域；基于全局对齐模块对全局特征进行对齐处理，判别该全局特征属于源域还是目标域；完成所有特征的域分类，得到域自适应的检测网络；
所述前景局部对齐模块的损失函数的表达式如下；
Figure FDA0003708255080000031
上式中，
Figure FDA0003708255080000032
和
Figure FDA0003708255080000033
分别代表从源域图像和目标域图像中挑选出来的前景特征，该前景特征宽和高分别为W和H，R表示感兴趣区域池化操作，F表示特征提取器，源域和目标域分别拥有Nt和Ns张图像，对于第i张目标域图像和源域图像
Figure FDA0003708255080000034
和
Figure FDA0003708255080000035
分别挑选了
Figure FDA0003708255080000036
和
Figure FDA0003708255080000037
个前景区域，相应的第j个前景框的信息为
Figure FDA0003708255080000038
和
Figure FDA0003708255080000039
Dfl(·)wh代表前景局部对齐模块对特征图空间坐标(w,h)的特征进行域分类的结果；
所述前景全局对齐模块的损失函数的表达式如下；
Figure FDA00037082550800000310
上式中，Dfg(·)代表前景全局对齐模块对整个前景特征图进行域分类的结果；
检测模块，用于根据域自适应的检测网络对待测目标集进行目标检测。
CN202110779245.9A 2021-07-09 2021-07-09 一种基于前景选择域自适应的目标检测方法及系统 Active CN113343989B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110779245.9A CN113343989B (zh) 2021-07-09 2021-07-09 一种基于前景选择域自适应的目标检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110779245.9A CN113343989B (zh) 2021-07-09 2021-07-09 一种基于前景选择域自适应的目标检测方法及系统

Publications (2)

Publication Number Publication Date
CN113343989A CN113343989A (zh) 2021-09-03
CN113343989B true CN113343989B (zh) 2022-09-27

Family

ID=77479454

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110779245.9A Active CN113343989B (zh) 2021-07-09 2021-07-09 一种基于前景选择域自适应的目标检测方法及系统

Country Status (1)

Country Link
CN (1) CN113343989B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114399697A (zh) * 2021-11-25 2022-04-26 北京航空航天大学杭州创新研究院 一种基于运动前景的场景自适应目标检测方法
CN114821152B (zh) * 2022-03-23 2023-05-02 湖南大学 基于前景-类别感知对齐的域自适应目标检测方法及系统
CN114693983B (zh) * 2022-05-30 2022-09-30 中国科学技术大学 基于图像-实例对齐网络的训练方法和跨域目标检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112016594A (zh) * 2020-08-05 2020-12-01 中山大学 一种基于领域自适应的协同训练方法
CN112668594A (zh) * 2021-01-26 2021-04-16 华南理工大学 一种基于对抗性域适应的无监督图像目标检测方法
WO2021120752A1 (zh) * 2020-07-28 2021-06-24 平安科技（深圳）有限公司 域自适应模型训练、图像检测方法、装置、设备及介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112149722B (zh) * 2020-09-11 2024-01-16 南京大学 一种基于无监督域适应的图像自动标注方法
CN112183788B (zh) * 2020-11-30 2021-03-30 华南理工大学 一种域自适应设备运检系统和方法
CN113052184B (zh) * 2021-03-12 2022-11-18 电子科技大学 一种基于两阶段局部特征对齐的目标检测方法
CN113052187B (zh) * 2021-03-23 2022-08-30 电子科技大学 一种基于多尺度特征融合的全局特征对齐目标检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021120752A1 (zh) * 2020-07-28 2021-06-24 平安科技（深圳）有限公司 域自适应模型训练、图像检测方法、装置、设备及介质
CN112016594A (zh) * 2020-08-05 2020-12-01 中山大学 一种基于领域自适应的协同训练方法
CN112668594A (zh) * 2021-01-26 2021-04-16 华南理工大学 一种基于对抗性域适应的无监督图像目标检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Cross-domain Object Detection through Coarse-to-Fine Feature Adaptation;Yangtao Zheng et al.;《2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)》;20200805;第13763-13772页 *
Strong-Weak Distribution Alignment for Adaptive Object Detection;Kuniaki Satio et al.;《2019IEEE/CVF Conference on Computer Vision and Pattern Recognition》;20200109;第6949-6958页 *

Also Published As

Publication number Publication date
CN113343989A (zh) 2021-09-03

Similar Documents

Publication Publication Date Title
CN113343989B (zh) 一种基于前景选择域自适应的目标检测方法及系统
US7570816B2 (en) Systems and methods for detecting text
CN109815956B (zh) 一种基于自适应位置分割的车牌字符识别方法
CN110569738B (zh) 基于密集连接网络的自然场景文本检测方法、设备和介质
CN112633382B (zh) 一种基于互近邻的少样本图像分类方法及系统
CN111738055B (zh) 多类别文本检测系统和基于该系统的票据表单检测方法
CN112488229B (zh) 一种基于特征分离和对齐的域自适应无监督目标检测方法
CN111899203B (zh) 基于标注图在无监督训练下的真实图像生成方法及存储介质
CN112800955A (zh) 基于加权双向特征金字塔的遥感影像旋转目标检测方法及系统
CN112580480A (zh) 一种高光谱遥感影像分类方法及装置
CN114723010B (zh) 一种异步事件数据的自动学习增强方法及系统
CN110008899B (zh) 一种可见光遥感图像候选目标提取与分类方法
CN112149526A (zh) 一种基于长距离信息融合的车道线检测方法及系统
CN116168240A (zh) 基于注意力增强的任意方向密集舰船目标检测方法
CN111428730B (zh) 弱监督细粒度物体分类方法
Wang et al. Local defect detection and print quality assessment
CN114882204A (zh) 船名自动识别方法
CN111553361B (zh) 一种病理切片标签识别方法
CN111832390B (zh) 一种手写古文字检测方法
CN108960005B (zh) 一种智能视觉物联网中对象视觉标签的建立及显示方法、系统
CN117372853A (zh) 一种基于图像增强和注意力机制的水下目标检测算法
CN116758340A (zh) 基于超分辨率特征金字塔和注意力机制的小目标检测方法
CN116863293A (zh) 一种基于改进YOLOv7算法的可见光下海上目标检测方法
CN111476226A (zh) 一种文本定位方法、装置及模型训练方法
Bergboer et al. A context-based model of attention

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant