买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜浙江工业大学申请的专利基于CycleGAN和条件分布自适应的目标检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN113052243B 。

龙图腾网通过国家知识产权局官网在2024-09-24发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202110339562.9，技术领域涉及：G06V10/774；该发明授权基于CycleGAN和条件分布自适应的目标检测方法是由汪梦婷;许金山;胡凤丹;陈镇钦;楼航晓设计研发完成，并于2021-03-30向国家知识产权局提交的专利申请。

本基于CycleGAN和条件分布自适应的目标检测方法在说明书摘要公布了：一种基于CycleGAN和条件分布自适应的目标检测方法，主要解决现实问题中往往无法提供检测器所需的大量实例级注释的问题，利用CycleGAN将源域数据进行迁移，获得逼近目标域分布的中间数据集，预处理后训练FasterRCNN网络；将中间数据集和目标域数据输入特征提取器获得特征图，域分类器根据特征区分图像属于中间数据集或目标域，域分类器和特征提取器对抗训练获得最大公共特征；将目标域的公有特征输入FasterRCNN中进行目标检测，获得图像的定位结果。本发明结合了CycleGAN进行风格迁移和条件分布适应的优点，实现了缺实例级标注下的对图像的准确目标检测。

本发明授权基于CycleGAN和条件分布自适应的目标检测方法在权利要求书中公布了：1.一种基于CycleGAN和条件分布自适应的目标检测方法，其特征在于，所述方法包括以下步骤：步骤S1、使用CycleGAN将源域数据集进行迁移，得到更逼近目标域分布的中间数据集，预处理后对FasterRCNN网络进行训练；步骤S2、将目标域数据集进行预处理；步骤S3、将预处理后的中间数据集和目标域图像输入到特征提取器中，域鉴别器根据条件分布判断特征属于中间数据集或目标域，进行对抗训练后得到最大公有特征；步骤S4、检测器根据最大公有特征对目标域图像分类和定位，最终得到基于CycleGAN和条件分布自适应的目标检测模型；所述步骤S1中，利用CycleGAN对源域中的图像进行转换，预处理后训练FasterRCNN模型，过程如下：S11.将源域数据Xs和目标域数据Xt放入CycleGAN模型中，得到预训练模型M；S12.将源域中的数据集Xs再次输入到模型M中，得到更逼近目标域数据分布的数据集Xc＝{s1,q1,a1,...sj,qj,aj,...sn,qn,an}，其中，n代表Xc中图像样本个数，sj代表Xc中第j个图像样本，qj代表Xc中第j个样本含有的标签数据，aj代表Xc中第j个样本含有的位置数据；S13.对中间数据集Xc预处理，将生成的中间数据集Xc进行尺寸归一化操作，得到预处理后的中间数据集Xc*＝{p1*,b1*,c1*,...pj*,bj*,cj*,...,pn*,bn*,cn*}；其中，pj*代表Xc*中第j个图像样本，bj*代表Xc*中第j个样本含有的标签数据，cj*表述Xc*中第j个图像样本含有的位置数据；S14.使用Xc*对FasterRCNN进行训练，得到模型N；所述步骤S3中，利用特征提取器提取中间域数据集和目标域的最大公共特征，放入域鉴别器进行域判断，优化损失函数提取出最大公共特征，实现目标域的图像定位，过程如下：S31.将数据集Xc*和目标域Xt*中图像输入CNN特征提取器中；S32.特征提取器对图像进行卷积操作，得到图像的特征图f，尺寸为H×W×C，其中H、W、C分别是图像的高度、宽度和通道数；S33.将特征图输入域鉴别器D中，域分类器根据由特征图判断图像属于数据集Xc*或Xt*；S34.根据域分类结果调整特征提取器，直至提取出最大公共特征fmax，优化函数为； 其中，ns代表中间数据集的样本数量，nt代表目标域的样本数量，c代表域分类器数量，Ds代表中间域Xc*，Dt代表目标域Xt*，xi代表输入样本，代表输入样本xi的预测概率分布，Gf代表域分类器，Ld代表分类器的交叉熵，di代表输入样本xi的域标签；S35.将特征fmax输入模型N，得到目标检测结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人浙江工业大学，其通讯地址为：310014 浙江省杭州市下城区朝晖六区潮王路18号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。