(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210195528.3 (22)申请日 2022.03.01 (71)申请人 北京邮电大 学 地址 100876 北京市海淀区西土城路10号 北京邮电大 学新科研楼627室 (72)发明人 欧中洪　旷锐锋　朱子谦　宋美娜　 (74)专利代理 机构 北京清亦华知识产权代理事 务所(普通 合伙) 11201 专利代理师 杜月 (51)Int.Cl. G06V 10/774(2022.01) G06V 10/44(2022.01) G06K 9/62(2022.01) G06N 3/08(2006.01) (54)发明名称 一种无监 督域自适应目标检测方法和装置 (57)摘要 本申请公开了一种无监督域自适应目标检 测方法和装置， 其中， 该方法包括： 实时采集目标 域数据和目标域数据的样本数据； 其中， 目标域 数据包括预设种类场景下的图片； 将目标域数据 输入训练好的基于YOLOv5的跨域检测模型进行 目标检测； 其中， 训练好的基于YOLOv5的跨域检 测模型是将样本数据通过域交替学习对基于 YOLOv5的跨域检测模型根据预设种类场景下的 样本数据图片训练的； 根据模型检测的输出， 得 到目标域数据的跨域图像检测结果。 本申请能够 精准的实现现实场景中图像的跨域目标检测问 题。 权利要求书2页 说明书8页 附图3页 CN 114743064 A 2022.07.12 CN 114743064 A 1.一种无监 督域自适应目标检测方法， 其特 征在于， 包括以下步骤： 实时采集目标域数据和所述目标域数据的样本数据； 其中， 所述目标域数据包括预设 种类场景 下的图片； 将所述目标域数据输入训练好的基于YOLOv5的跨域检测模型进行目标检测； 其中， 所 述训练好的基于YOLOv5的跨域检测模型是将所述样本数据通过域交替学习对所述基于 YOLOv5的跨 域检测模型根据所述预设种类场景 下的样本数据图片训练的； 根据所述目标检测， 得到所述目标域数据的跨 域图像检测结果。 2.根据权利要求1所述的方法， 其特征在于， 将所述样本数据通过域交替学习 对所述基 于YOLOv5的跨 域检测模型根据所述预设种类场景 下的样本数据图片训练的， 包括： 获取训练数据集； 将所述训练数据集通过域交替学习对所述基于YOLOv5的跨域检测模型进行训练， 每更 换一种场景， 则重新采集该场景下 的所述目标域数据的样本数据， 重新训练一次所述基于 YOLOv5的跨域检测 模型， 完成所述基于YOLOv5的跨域检测 模型的训练， 以生成所述训练好 的基于YOLOv5的跨 域检测模型。 3.根据权利要求2所述的方法， 其特征在于， 所述训练数据集， 包括： 所述目标域数据的 样本数据和源域数据。 4.根据权利要求3所述的方法， 其特 征在于， 将所述源域数据定义 为： 其中， 表示来自源域的一批图像， 表示这批图像对应的边界框坐标和类别， i表 示批序号； 对于所述目标域数据定义 为： 5.根据权利 要求4所述的方法， 其特征在于， 在所述基于YOLOv5的跨域检测模型中的预 设位置设置多个不同的域判别器， 并在多个检测头之前分别设置域判别器； 其中， 所述基于 YOLOv5的跨 域检测模型包括多 级图像级特 征对齐和多 级实例级特 征对齐。 6.根据权利要求5所述的方法， 其特 征在于， 所述多 级图像级特 征对齐， 包括： 在所述基于YOLOv5的跨域检测模型的预设位置设置多个像素级域判别器和图像级域 判别器， 用于所述多 级图像级特 征对齐的第一判别器的目标函数定义 为： 其中， 表示域判别器， Θ表 示其输入的特征， 和 分别表示源域数 据和目标域数据每 个位置(u,v)的激活响应值； 则用于所述多级图像级特征对齐的第二和第三个域判别器的目标函数写成Focal   loss的形式： 权　利　要　求　书 1/2 页 2 CN 114743064 A 2其中， ξ表示Focal  loss的超参数。 7.根据权利要求5所述的方法， 其特 征在于， 所述多 级实例级特 征对齐， 包括： 通过所述基于YOLOv5的跨域检测模型的ROI ‑Align模块， 获得相同尺寸的实例特征， 将 所述相同尺寸的实例特征输入到实例级域判别器中进 行域判别， 则所述 实例级特征对齐的 目标函数写成Focal  loss的形式： 其中， 和 表示第i批的第j个 检测结果， k表示第k个实例级域判别器； YOLOv5的损失函数包 含边界框回归损失、 分类损失和置信度损失： 则所述基于 YOLOv5的跨 域检测模型的整体目标函数为： 8.根据权利要求2所述的方法， 其特征在于， 所述方法还包括域加权学习， 所述域加权 学习是在 对所述基于Y OLOv5的跨域检测模训练 时， 赋予所述目标域数据的样本数据预设数 量的权重， 则网络中批量归一 化BN层的运行统计的目标 数据更新 规则为： 其中， ω是用来控制模型偏移多少给目标域的超参数。 9.一种无监 督域自适应目标检测装置， 其特 征在于， 包括： 数据采集模块， 实时采集目标域数据和所述目标域数据的样本数据； 其中， 所述目标域 数据包括预设种类场景 下的图片； 预处理模块， 用于对所述目标域数据进行数据 预处理得到预处理数据； 其中， 所述数据 预处理包括将所述目标域数据的数据格式转换成预设格式； 跨域检测模块， 用于将所述目标域数据输入训练好的基于YOLOv5的跨域检测模型进行 目标检测； 其中， 所述训练好的基于YOLOv5的跨域检测模型是将所述样本数据通过域交替 学习对所述基于 YOLOv5的跨 域检测模型根据所述预设种类场景 下的样本数据图片训练的； 后处理模块， 用于对所述目标检测中识别得到的目标边界框进行后处理， 以过滤多余 的结果； 可视化模块， 用于根据过 滤后剩余的结果， 输出识别结果可视化展示用户。 10.根据权利要求9所述的装置， 其特征在于， 所述跨域检测模块， 包括： 跨域适应模块 和跨域识别模块； 其中， 所述跨域适应模块， 用于对所述基于 YOLOv5的跨 域检测模型进行模型训练； 所述跨域识别模块， 用于部署通过所述跨域适应模块训练完成的模型对新目标域数据 的样本数据进行识别。权　利　要　求　书 2/2 页 3 CN 114743064 A 3