-
公开(公告)号：CN114386527B
公开(公告)日：2022-12-09
申请号：CN202210056531.7
申请日：2022-01-18
Applicant: 湖南大学无锡智能控制研究院
Abstract: 本发明公开了一种用于域自适应目标检测的类别正则化方法及系统，该方法包括：步骤1，获取源域感兴趣区域特征向量和目标域感兴趣区域特征向量及其与对应的预测类别和与对应的预测类别步骤2，计算类间正则化损失函数值步骤3，计算类内正则化损失函数值步骤4，和作为正则化项结合到域自适应目标检测框架的损失函数中，以联合优化域自适应目标检测损失函数和类别正则化损失函数。本发明实现了两域相同类别特征合理充分的对齐，大大降低了两域特征负迁移的风险，而且还可以灵活地拓展到多种现有的域自适应目标检测框架中。
-
公开(公告)号：CN114912516B
公开(公告)日：2023-06-06
申请号：CN202210440038.5
申请日：2022-04-25
Applicant: 湖南大学无锡智能控制研究院
IPC: G06F18/214 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种协调特征一致性和特异性的跨域目标检测方法及系统，包括：步骤1，构建源域数据集和目标域数据集，搭建基准跨域目标检测模型；步骤2，通过特征特异性记忆读写模块不断更新记忆单元中的记忆元素，指导基准跨域目标检测模型对特征特异性进行学习，再通过特征一致性加权对齐模块使用源域和目标域记忆元素来引导相同类别的记忆元素进行混淆、以及根据待检测目标类别出现的比例对每个类别级域判别器的损失函数进行加权，在语义特异性基础上进一步引导特征对跨域一致性的学习，得到跨域目标检测模型；步骤3，以协调特征一致性和特异性的跨域目标检测模型的损失函数为优化目标对该模型进行训练，并将训练后的模型应用于目标域。
-
公开(公告)号：CN115375938A
公开(公告)日：2022-11-22
申请号：CN202210993876.5
申请日：2022-08-18
Applicant: 湖南大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V10/776 , G06V10/25
Abstract: 本发明公开了一种用于跨域目标检测的细粒度特征对抗对齐方法及系统，包括：步骤1，根据目标检测模型的定位结果，从定位结果中提取源域和目标域的目标边界框内特征；步骤2，根据目标检测模型的分类结果，先获取源域和目标域目标边界框内特征对应的类别标签，再将此类别标签和粗粒度域标签进行合并，得到细粒度域标签；步骤3，根据源域和目标域的目标边界框内特征，通过细粒度域分类器获得源域和目标域的目标边界框内特征的细粒度域分类分数；步骤4，根据细粒度域标签和细粒度域分类分数，计算细粒度特征对抗对齐损失。
-
公开(公告)号：CN117437478A
公开(公告)日：2024-01-23
申请号：CN202311461008.3
申请日：2023-11-06
Applicant: 湖南大学
IPC: G06V10/764 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/094 , G06N3/0475 , G06N3/084 , G06N3/0464 , G06V10/26
Abstract: 本申请公开了一种基于前景激活和语义独立的跨域目标检测方法，先使用多尺度特征聚合对齐模块来捕获并聚合特征提取层中不同尺度的图像级特征进行对抗训练，然后使用前景注意力激活模块输出训练图像的前景目标注意力图，输入到前景区域加权对齐模块内，对图像级聚合特征加权对齐，最后截取目标对象单个实例特征，输入到类别语义独立域判别器中，引导实例特征在判别器各个预测管道处完成不同类别实例特征的语义分离独立，并在对应类别预测输出管道处进行特征域对抗训练以增强同类实例特征的域间混淆性，从而为单阶段目标检测器实现前景区域加权和类别语义独立的域自适应训练，在前景区域和类别语义层面实现检测器鲁棒的知识迁移。
-
公开(公告)号：CN114821152B
公开(公告)日：2023-05-02
申请号：CN202210290769.6
申请日：2022-03-23
Applicant: 湖南大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/084 , G06N3/096
Abstract: 本发明公开了一种基于前景‑类别感知对齐的域自适应目标检测方法及系统，该方法包括：使用通过下面步骤获得的域自适应目标检测模型在目标域数据集对应的场景进行目标检测；步骤1，设置图像级域分类器和实例级域分类器，构建基准模型；步骤2，设置前景感知模块和类别感知模块，构建基于前景‑类别感知对齐的域自适应目标检测模型；步骤3，训练并获得域自适应目标检测模型。本发明能够跨域目标检测流程的关注点从整体特征对齐，到前景特征对齐，再到类别特征对齐的转变，在跨天气、跨摄像头、跨复杂场景检测下都取得了在目标域上的性能提升。
-
Patent Agency Ranking
公开(公告)号：CN114821152A
公开(公告)日：2022-07-29
申请号：CN202210290769.6
申请日：2022-03-23
Applicant: 湖南大学
IPC: G06V10/764 , G06V10/774 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于前景‑类别感知对齐的域自适应目标检测方法及系统，该方法包括：使用通过下面步骤获得的域自适应目标检测模型在目标域数据集对应的场景进行目标检测；步骤1，设置图像级域分类器和实例级域分类器，构建基准模型；步骤2，设置前景感知模块和类别感知模块，构建基于前景‑类别感知对齐的域自适应目标检测模型；步骤3，训练并获得域自适应目标检测模型。本发明能够跨域目标检测流程的关注点从整体特征对齐，到前景特征对齐，再到类别特征对齐的转变，在跨天气、跨摄像头、跨复杂场景检测下都取得了在目标域上的性能提升。
-
公开(公告)号：CN115115908B
公开(公告)日：2024-08-02
申请号：CN202210759090.7
申请日：2022-06-30
Applicant: 湖南大学
IPC: G06V10/774 , G06V10/764 , G06V10/82 , G06V10/25 , G06V20/70 , G06N3/0442 , G06N3/045 , G06N3/0475 , G06N3/094 , G06N3/084 , G06N3/088
Abstract: 本发明公开了一种跨域目标检测模型训练方法、目标检测方法及存储介质，其中训练方法包括：获取源域带标签图像和目标域无标签图像，构建训练数据集，搭建包括基于对抗训练的跨域目标检测器、感兴趣区域特征提取模块、语义迁移损失计算模块的网络模型，以基于语义迁移损失和基于对抗训练的跨域目标检测损失得到的跨域目标检测总损失为优化目标，基于训练数据集，对构建的网络模型进行训练，得到跨域目标检测模型。本发明在一定程度上消除目标检测在分类边界的语义混淆噪声，有效降低感兴趣区域语义错误匹配的风险，避免某些类别因感兴趣区域数量不足而迁移失败的问题，增强具有相同语义的源域和目标域感兴趣区域特征向量的聚合程度。
-
公开(公告)号：CN113807420B
公开(公告)日：2024-03-19
申请号：CN202111036092.5
申请日：2021-09-06
Applicant: 湖南大学
IPC: G06V10/774 , G06V10/764 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种考虑类别语义匹配的域自适应目标检测方法及系统。该方法包括：步骤1，获取源域带标签图像和目标域无标签图像；步骤2，使用源域带标签图像训练得到经过预训练的基础目标检测器；步骤3，在经过预训练的基础目标检测器上增加域自适应组件，使用源域带标签图像和目标域无标签图像训练得到经过训练的域自适应目标检测模型；步骤4，移除增加的域自适应组件，使用经过训练的域自适应目标检测模型对目标域场景进行目标检测。本发明考虑了跨域目标检测中两域特定类别语义匹配的问题，避免源域和目标域的目标类别在共享类别空间中出现错误对齐的问题，从而促使目标检测模型在目标域上的检测性能得到进一步提高。
-
公开(公告)号：CN114386527A
公开(公告)日：2022-04-22
申请号：CN202210056531.7
申请日：2022-01-18
Applicant: 湖南大学无锡智能控制研究院
Abstract: 本发明公开了一种用于域自适应目标检测的类别正则化方法及系统，该方法包括：步骤1，获取源域感兴趣区域特征向量和目标域感兴趣区域特征向量及其与对应的预测类别和与对应的预测类别步骤2，计算类间正则化损失函数值步骤3，计算类内正则化损失函数值步骤4，和作为正则化项结合到域自适应目标检测框架的损失函数中，以联合优化域自适应目标检测损失函数和类别正则化损失函数。本发明实现了两域相同类别特征合理充分的对齐，大大降低了两域特征负迁移的风险，而且还可以灵活地拓展到多种现有的域自适应目标检测框架中。
-
公开(公告)号：CN113807420A
公开(公告)日：2021-12-17
申请号：CN202111036092.5
申请日：2021-09-06
Applicant: 湖南大学
Abstract: 本发明公开了一种考虑类别语义匹配的域自适应目标检测方法及系统。该方法包括：步骤1，获取源域带标签图像和目标域无标签图像；步骤2，使用源域带标签图像训练得到经过预训练的基础目标检测器；步骤3，在经过预训练的基础目标检测器上增加域自适应组件，使用源域带标签图像和目标域无标签图像训练得到经过训练的域自适应目标检测模型；步骤4，移除增加的域自适应组件，使用经过训练的域自适应目标检测模型对目标域场景进行目标检测。本发明考虑了跨域目标检测中两域特定类别语义匹配的问题，避免源域和目标域的目标类别在共享类别空间中出现错误对齐的问题，从而促使目标检测模型在目标域上的检测性能得到进一步提高。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.021 seconds)
