欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2026102052639
申请人: 广东工业大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于特征重构的交通视频跨域目标检测方法,其特征在于,包括以下步骤:

(1)基于同一目标检测网络结构分别构建学生模型与教师模型;

(2)在训练侧获取源域道路交通场景的有标注图像数据,将源域图像输入学生模型,基于真实标注计算源域检测损失;

(3)在目标域侧从道路监控摄像头采集的视频流中抽取图像帧形成目标域无标注数据;将目标域图像输入教师模型生成目标域伪标签;将目标域图像及其对应伪标签输入学生模型,计算目标域伪标签检测损失,用于引导学生模型向目标域道路场景分布自适应;

(4)在目标检测骨干网络与检测头之间设置语义特征重构模块,用于对教师模型与学生模型在目标域道路样本上的中间语义特征进行预测-重构约束;其中,所述语义特征重构模块通过以下方式获得语义特征重构损失:分别提取教师模型与学生模型骨干网络输出的多尺度语义特征图,经通道投影及空间对齐处理后,通过多感受野卷积支路进行特征融合生成统一语义特征表示,并由预测映射单元对学生侧语义特征进行映射,以教师侧语义特征作为重构目标计算重构误差,得到语义特征重构损失;

(5)在检测网络的实例特征层或检测头输出端设置实例特征重构模块,用于对教师模型与学生模型在目标域道路样本上的检测实例特征进行预测-重构约束;其中,所述实例特征重构模块通过以下方式获得实例特征重构损失:分别提取教师模型与学生模型的实例特征向量,经线性投影映射至统一嵌入空间后,对学生侧实例特征进行非线性预测变换并沿通道维度分组,逐组计算预测实例特征与教师侧实例特征之间的相似度误差,累加后得到实例特征重构损失;

(6)将源域检测损失、目标域伪标签检测损失、语义特征重构损失以及实例特征重构损失进行加权求和,构成整体训练目标函数;通过反向传播更新学生模型参数,并通过EMA更新教师模型参数,直至模型收敛;

(7)训练完成后,将模型部署至智能交通视频监控系统的边缘计算设备或服务器,对道路视频流进行在线推理输出检测结果。

2.根据权利要求1所述的基于特征重构的交通视频跨域目标检测方法,其特征在于,步骤(4)包括以下操作:多尺度语义特征提取与通道对齐:分别从教师模型与学生模型的骨干网络中获取第1个尺度层输出的语义特征图,其中教师侧特征记为,学生侧特征记为;通过通道投影单元对多尺度特征进行通道维度映射,采用1×1卷积算子,将不同尺度层的特征统一映射至相同的通道维度;

空间分辨率对齐处理:以预设的基准空间分辨率H×W为目标,对经通道对齐后的多尺度特征图进行空间尺寸调整,采用插值算子对特征图进行上采样或下采样处理,使不同尺度特征在空间位置上对齐,获得空间对齐的多尺度语义特征;

多感受野语义建模与特征融合:将空间对齐后的多尺度语义特征输入多支路语义建模单元,各支路采用不同感受野的卷积算子提取不同范围的上下文语义信息;将各支路输出的特征在通道维度上进行拼接,并通过线性映射单元进行融合,生成用于后续重构约束的统一语义特征表示;

基于预测-重构的一致性约束:教师模型接收经弱数据增强处理的目标域道路图像并输出教师侧语义特征表示;学生模型接收对应的强数据增强图像并输出学生侧语义特征表示;通过预测映射单元对学生侧语义特征进行映射,使其与教师侧语义特征处于同一特征空间,并以教师侧语义特征作为重构目标,计算学生侧预测特征与教师侧目标特征之间的重构误差,构建语义特征重构损失函数。

3.根据权利要求2所述的基于特征重构的交通视频跨域目标检测方法,其特征在于,所述语义特征重构损失用于约束学生模型参数更新,教师模型参数不参与该损失的反向传播更新。

4.根据权利要求1所述的基于特征重构的交通视频跨域目标检测方法,其特征在于,步骤(5)包括以下操作:实例级特征提取与嵌入映射:分别从教师模型与学生模型的检测网络中提取对应检测实例的实例特征向量,其中教师侧实例特征记为,学生侧实例特征记为hs;所述实例特征来源于检测头内部的候选区域特征层或检测头输出端的实例特征表示;通过实例特征映射单元对教师侧与学生侧实例特征进行线性投影处理,使二者映射至统一维度的嵌入特征空间;

学生实例特征预测与通道分组处理:在学生模型分支中设置实例特征预测单元,对映射后的学生实例特征进行非线性预测变换,生成学生侧预测实例特征;将教师侧实例特征与学生侧预测实例特征沿通道维度划分为预设数量的多个通道子组,每个通道子组对应实例特征空间中的一个子表示;

基于通道分组的实例重构约束:针对每一个通道子组,分别计算学生侧预测实例特征与教师侧目标实例特征之间的相似度误差,采用余弦相似度度量方式构建实例特征重构损失函数;对所有通道子组的重构误差进行累加获得实例特征重构损失,用于约束学生模型在目标域道路样本上的实例特征预测结果与教师模型输出保持一致。

5.根据权利要求4所述的基于特征重构的交通视频跨域目标检测方法,其特征在于,所述实例特征重构损失仅参与学生模型参数的反向传播更新,教师模型输出的实例特征作为稳定的重构目标,不参与该损失的梯度更新。

6.一种应用权利要求1-5任一项所述的基于特征重构的交通视频跨域目标检测方法的检测系统,其特征在于,包括:道路视频采集模块,用于通过道路监控摄像头采集交通场景视频流并抽取图像帧作为目标域无标注数据;

数据存储与管理模块,用于存储源域有标注数据、目标域无标注数据、伪标签及模型参数文件;

学生检测模块,用于对输入图像进行特征提取与目标检测预测,并在训练阶段通过反向传播更新模型参数;

教师检测模块,其网络结构与学生检测模块相同,用于在目标域生成伪标签并提供特征重构参考表示,其参数通过对学生检测模块参数进行EMA更新获得;

语义特征重构模块SAB,部署于骨干网络与检测头之间,至少包括:通道投影单元、空间对齐单元、多支路语义建模单元及特征融合单元,用于对多尺度语义特征进行对齐与重构约束;

实例特征重构模块IMB,连接于检测网络的实例特征层或检测头输出端,至少包括:实例特征提取单元、线性投影单元、实例预测单元、通道分组与损失计算单元,用于对检测实例特征进行细粒度重构约束;

损失计算与模型更新模块,用于综合计算源域检测损失、目标域伪标签检测损失、语义重构损失与实例重构损失,并完成学生模型参数更新及教师模型参数的EMA平滑更新;

推理部署模块,用于将训练完成的模型部署至边缘计算设备或服务器,对道路视频流进行在线检测并输出检测结果。

7.一种电子设备,其特征在于,包括中央处理器和存储器,所述中央处理器用于调用运行存储于所述存储器中的计算机程序以执行权利要求1-5任一项所述的基于特征重构的交通视频跨域目标检测方法的步骤。

8.一种计算机可读存储介质,其特征在于,其以计算机可读指令的形式存储有依据权利要求1-5任一项所述的基于特征重构的交通视频跨域目标检测方法所实现的计算机程序,该计算机程序被计算机调用运行时,执行相应的方法所包括的步骤。