技术特征：
1.一种基于域自适应机制的复杂背景下的目标检测方法，其特征在于，该方法包括如下步骤：步骤s1：根据公开的通用目标检测数据集和复杂背景下的目标检测数据集，构建源域训练集、目标域训练集和测试集；步骤s2：构建基于域自适应机制的foregroundnet-da网络模型；步骤s3：在所构建的源域训练集和目标域训练集上对所构建的foregroundnet-da网络模型进行域自适应阶段的监督预训练；步骤s4：加载域自适应训练阶段得到的部分模型参数权重并对其进行固化，在所构建的目标域训练集上对foregroundnet-da网络模型进行精调阶段的训练，得到收敛到最优性能的foregroundnet-da网络模型；步骤s5：在所构建的测试集上评估收敛的foregroundnet-da网络模型的检测性能。2.根据权利要求1所述一种基于域自适应机制的复杂背景下的目标检测方法，其特征在于，所述步骤s1中通用目标检测数据集包含数据集coco 2017，复杂背景目标检测数据集包含数据集cod10k、camo和chameleon。3.根据权利要求1所述一种基于域自适应机制的复杂背景下的目标检测方法，其特征在于，所述步骤s2中所构建的基于域自适应机制的foregroundnet-da网络模型包含：特征提取模块，前景背景提议模块、特征生成模块、基于卷积注意力的特征融合解码模块和域分类模块。4.根据权利要求1所述一种基于域自适应机制的复杂背景下的目标检测方法，其特征在于，所述步骤s3具体包括：步骤s301：从源域训练集和目标域训练集中随机抽取训练图片进行预处理，首先利用插值算法将输入图像和对应的真实标签的大小调整为h
×
w，h表示图像高度，w表示图像宽度，随后进行图像数据增强处理，最后将图像进行归一化处理后输入foregroundnet-da网络模型进行域自适应阶段的监督预训练；步骤s302：foregroundnet-da网络模型通过特征提取模块提取出多尺度抽象特征，将图片特征输入前景背景提议模块和域分类模块，输出n层前景背景提议结果和n层域分类结果，分别用和来表示，k＝1,2,...,n，其中，前景背景提议结果中分别包含前景目标提议结果和背景目标提议结果，即步骤s303：基于提议结果和域分类结果，计算模型在域自适应阶段的损失函数l
da
，其计算方法如式(1)所示，其中，表示第k层前景背景提议结果对应的损失，表示第k层域分类结果对应的损失；它们的计算表达式分别如式(2)和式(3)所示，失；它们的计算表达式分别如式(2)和式(3)所示，
上式中，gt
d
表示输入数据的域分类真实标签，和分别表示第k层前景目标提议结果和背景目标提议结果对应的经过结构信息加权的交叉熵损失，和分别表示第k层前景目标提议结果和背景目标提议结果对应的经过结构信息加权的交并比损失；步骤s304：基于域自适应阶段模型的损失函数l
da
，采用随机梯度下降优化算法对foregroundnet-da模型的网络参数进行迭代更新。5.根据权利要求4所述一种基于域自适应机制的复杂背景下的目标检测方法，其特征在于，以前景目标检测结果为例，交叉熵损失和交并比损失的计算方法分别如式(2)和式(3)所示，(3)所示，其中，gt
fg
(x,y)和分别表示前景目标真实标签和第k前景目标提议结果中位置坐标为(x,y)的值，γ是和结构权重相关的参数，w(x,y)表示坐标为(x,y)的位置对应的结构权重，其表达式如下：其中，a
xy
表示坐标为(x,y)的像素周围像素的集合。6.根据权利要求1所述一种基于域自适应机制的复杂背景下的目标检测方法，其特征在于，所述步骤s4具体包括：步骤s401：加载foregroundnet-da模型经过域自适应阶段监督训练后的特征提取模块和前景背景提议模块的网络参数，并进行固化，使其在精调阶段的训练过程中不进行网络参数的迭代；步骤s402：仅从目标域训练集中随机抽取训练数据进行预处理，利用插值算法将输入图像和对应的真实标签的大小调整为h
×
w，h表示图像高度，w表示图像宽度，随后进行图像数据增强处理，最后将图像进行归一化处理后输入foregroundnet-da网络模型精调阶段的监督训练；步骤s403：foregroundnet-da网络模型通过特征提取模块提取出多尺度抽象特征，图片特征依次通过前景背景提议模块、特征生层模块和基于卷积注意力的特征融合解码模块，输出n层前景背景提议结果用来表示，其中k＝1,2...,n；m层前景目标检测结果用
来表示，其中k＝n+1,n+2,...,n+m，前景背景提议结果中包含前景目标检测结果和背景目标检测结果步骤s404：基于n层提议结果和m层前景目标检测结果，计算模型在精调阶段的损失函数l
ft
，其计算方法如下式：其中，或l
wbce-bg
的计算方法如式(4)所示，和的计算方法如式(5)所示；步骤s405：基于精调阶段的损失函数l
ft
，采用随机梯度下降的方法对foregroundnet-da网络模型的网络参数进行迭代更新；步骤s406：模型在精调阶段的训练过程逐渐收敛到最优性能后，将模型的网络参数固化，输入待检测图片进行前向计算，在输出的n+m层检测结果中，选取尺度最大的前景目标检测结果作为模型的最终检测结果pred
m
。7.根据权利要求1所述一种基于域自适应机制的复杂背景下的目标检测方法，其特征在于，所述步骤s5具体包括：步骤s501：逐一读取测试集中的待检测图片，利用插值法将其大小调整为h
×
w，随后将图片进行归一化，输入收敛到最优性能的foregroundnet-da模型中进行前向计算，输出对应的检测结果pred
m
；步骤s502：根据模型的前景目标检测结果pred
m
和前景目标真实标签gt
fg
，计算出模型在测试集上的客观评价指标。8.根据权利要求7所述一种基于域自适应机制的复杂背景下的目标检测方法，其特征在于，所述客观评价指标包含：sm指标，em指标、wfm指标和mae指标。
技术总结
本发明公开了一种基于域自适应机制的复杂背景下的目标检测方法，包括：获取公开的通用目标检测数据集和复杂背景目标检测数据集，构建源域训练集、目标域训练集和测试集；构建基于域自适应机制的人工神经网络模型ForegroundNet-DA模型；在源域训练集和目标域训练集上对ForegroundNet-DA模型的部分参数进行域自适应阶段的预训练；在目标域训练集上对ForegroundNet-DA模型进行精调阶段的训练；在所构建的测试集上评估收敛的ForegroundNet-DA模型的检测性能。本发明与当前所有的复杂背景目标检测算法相比，能在较小规模的数据集支撑下，实现更加精确的检测性能。本发明在测试集上的检测结果对应的平均绝对误差更低，增强对齐指标、结构指标及加权的F指标更高，是一种更加精确的复杂背景下的目标检测算法。检测算法。检测算法。
技术研发人员：李春国 罗顺 刘周勇 李武斌 吴宇凡 杨绿溪
受保护的技术使用者：东南大学
技术研发日：2022.05.20
技术公布日：2022/10/3