基于上下文信息增强和平坦域对抗训练的域适应目标检测方法研究.pdf

摘要

目标检测是计算机视觉中的一项核心任务，被视为计算机视觉的基石，目的是

在图像中准确识别和定位感兴趣的目标物体，广泛应用于自动驾驶、智慧医疗、智

慧农业等与国计民生相关的领域。近年来，随着深度学习的兴起，基于卷积神经网

络的目标检测技术在训练集和测试集处于相同场景时表现出色，然而，当训练集和

测试集为不同场景时，目标检测器的性能急剧下降，这成为目标检测在实际应用中

的障碍，如自动驾驶等领域。

为解决上述问题，学者们提出了无监督域适应目标检测方法，通过使用有标签

的源域数据集和无标签的目标域数据集，目的是训练一个目标检测器使其能够在目

标域上有良好的检测性能。本文对于现有的无监督域适应目标检测算法存在的两个

问题进行研究，主要工作如下：

（1）针对具有相似类别外观的目标容易发生混淆检测问题，提出了基于上下文

信息增强的无监督域适应目标检测方法。该方法通过使用一个掩码图像一致性插件，

使目标检测器在域适应训练期间学习目标域的上下文信息，通过使用上下文信息作

为鲁棒视觉识别的额外线索来增强无监督域适应方法在目标域相似类别目标之间的

检测性能。

（2）针对简单地最小化源域任务损失函数去训练目标检测器导致域对抗训练方

法的次优域适应问题，提出了基于平坦域对抗训练的无监督域适应目标检测方法。

该方法使用一种损失优化策略，通过同时最小化损失和损失锐度寻找更平坦的极小

值。本文根据目标检测多任务特性，分别在多个任务情况下进行讨论，使源域目标

检测损失值收敛到更为平坦的极小值来提升无监督域适应目标检测方法在目标域上

的检测性能。

（3）设计了基于域适应的车辆行人检测系统，该系统使用深度学习目标检测技

术进行开发，实现了系统登录和目标检测功能，通过集成本文所研究的域适应训练

算法，提高了检测系统在复杂环境下应用能力。

实验结果表明，本文所提出两种方法在无监督域适应实验中分别实现了1.5%和

1.9%的精度提升，证明了本文方法能够有效提升模型的域适应性能。

关键词：目标检测；无监督域适应目标检测；上下文信息增强；平坦域对抗训练

I

目录

摘要I

ABSTRACTIII

1绪论1

1.1研究背景与意义1

1.2国内外研究现状3

1.3域适应方法存在的问题5

1.4本文主要工作6

1.5本文的章节结构安排6

2相关技术和理论9

2.1目标检测9

2.1.1训练过程9

2.1.2预测过程9

2.1.3评价指标11

2.2单阶段目标检测器11

2.2.1FCOS网络模型11

2.2.2FCOS损失12

2.3域对抗训练12

2.3.1理论介绍12

2.3.2网络模型介绍13

2.3.3损失介绍14

2.4本章小结15

3基于上下文信息增强的无监督域适应目标检测方法17

3.1引言17

3.2上下文信息增强网络18

3.2.1方法概述18

3.2.2MIC模块介绍19

3.2.3损失函数介绍20

3.3实验与分析21

3.3.1数据集与域适应场景21

3.3.2对比实验及分析24

3.3.3消融实验及分析25

3.3.4超参数实验及分析26

3.3.5可视化分析27