1.一种基于CycleGAN与伪标签的目标检测自适应模型的构建方法，其特征在于，包括如下步骤：S1，源域数据集和目标域数据集预处理，将预处理后的源域数据集和目标域数据集用于执行S2‑S3；

S2，使用CycleGAN网络将源域数据集转换为接近目标域数据集的中间域数据集，并将所述中间域数据集输入到Faster R‑CNN网络中进行训练，得到初步域自适应模型Q；然后将目标域数据集重新输入到所述初步域自适应模型Q中，获得带伪标签的目标域数据集；

S3，将中间域数据集与带伪标签的目标域数据集轮流输入到初步域自适应模型Q中进行迭代式地更新与优化，最终得到基于CycleGAN与伪标签的目标检测域自适应模型；训练所述初步域自适应模型Q的损失函数为利用置信度改进Faster R‑CNN网络的目标检测总损失函数；

所述目标检测总损失函数为：

LFaster R‑CNN＝LRPN_cls+LRPN_reg+LRoIHead_cls+LRoIHead_reg其中：

i表示anchor的编号；pi表示第i个anchor为目标物体的概率；ti表示目标物体预测边框，是目标物体预测边框相对于目标物体真实边框的修正参数，M表示目标物体的类别数量，pis表示第i个anchor作为目标物体s的概率；Ncls与Nreg分别表示mini‑batch中使用的数据集样本数量与anchor数量；λ为调整因子；

所述改进的目标检测总损失函数为：

其中：

di表示第i个目标物体的置信度，λ1与λ2用于调整置信度对位置回归损失函数 与影响的调整因子。

2.根据权利要求1所述的基于CycleGAN与伪标签的目标检测自适应模型的构建方法，其特征在于，步骤S1包括：S11，源域数据集预处理：

将含有标签数据的源域数据集Xs＝{(s1，q1，a1)，(s2，q2，a2)，…，(sn，qn，an)}进行尺寸归一化操作，得到预处理后的源域数据集 其中，n为Xs中图像样本的个数，sj代表Xs中第j个图像样本，qj代表Xs中第j个图像样本中含有的标签数据，aj代表Xs中第j个图像样本中含有的位置数据； 代表 中第j个图像样本， 代表中第j个图像样本中含有的标签数据， 代表 中第j个图像样本中含有的位置数据；

S12，目标域数据集预处理：

将目标域数据集XT＝{u1，u2，…，uw}进行尺寸归一化操作，得到预处理后的目标域数据集XH＝{h1，h2，…，hw}；其中，w为XT中图像样本的个数，uj代表XT中第j个图像样本，hj代表XH中第j个图像样本。

3.根据权利要求2所述的基于CycleGAN与伪标签的目标检测自适应模型的构建方法，其特征在于，步骤S2中，所述使用CycleGAN网络将源域数据集转换为接近目标域数据集的中间域数据集的方法为：S211，将源域数据集 中的图像样本与目标域数据集XH中的图像样本联合输入到CycleGAN网络中进行训练，得到转换模型D；

S212，将源域数据集 中的图像样本重新输入到转换模型D中，得到中间域数据集其中，n代表XM中图像样本的个数，mj代表XM中第j个图像样本。

4.根据权利要求3所述的基于CycleGAN与伪标签的目标检测自适应模型的构建方法，其特征在于，步骤S2中，将所述中间域数据集输入到Faster R‑CNN网络中进行训练，得到初步域自适应模型Q的方法为：S221，设置模型训练迭代次数episode；

S222，将中间域数据集XM输入到FasterR‑CNN网络中进行训练，通过目标检测总损失函数对FasterR‑CNN网络中的参数进行更新与优化，当训练迭代次数达到episode时，训练结束，得到初步域自适应模型Q。

5.根据权利要求4所述的基于CycleGAN与伪标签的目标检测自适应模型的构建方法，其特征在于，当第i个anchor为目标物体时， 当第i个anchor不是目标物体时，当第i个anchor为目标物体s时， 当第i个anchor不是目标物体s时，

6.根据权利要求5所述的基于CycleGAN与伪标签的目标检测自适应模型的构建方法，其特征在于，所述带伪标签的目标域数据集表示为：其中，w代表 中图像样本的个数，hj代表 中第j个图像样本，cj、vj与dj则分别代表通过初步域自适应模型Q获取得到的 中第j个图像样本中包含的伪标签数据、位置数据与置信度数据。

7.根据权利要求6所述的基于CycleGAN与伪标签的目标检测自适应模型的构建方法，其特征在于，步骤S3包括：S31，设置初步域自适应模型Q进行优化的总迭代轮数β；

S32，设置筛选阈值ε，用于与 中的置信度数据进行比较，将置信度小于ε的带伪标签的图像样本从 中剔除，得到筛选后的带伪标签的目标域数据集X′T：X′T＝{(h1，c1，v1，d1)，(h2，c2，v2，d2)，…，(hf，cf，vf，df)}其中，f代表X′T中图像样本的个数，

S33，设置初步域自适应模型Q优化迭代一次需要的次数σ；

S34，将XM与X′T轮流输入到初步域自适应模型Q中进行再次训练：通过利用置信度改进的目标检测总损失函数对初步域自适应模型Q中的参数进行再一次更新与优化，当训练迭代次数达到σ时，此次训练过程结束，初步域自适应模型Q得以优化；

S35，将XH重新输入到最新一次优化的初步域自适应模型Q中，用以更新伪标签数据、位置数据与置信度数据，再一次得到带伪标签数据的目标域数据集，即S36，重复步骤S32～S35，直到训练迭代总轮数达到β数值时，训练结束，最后获取得到基于CycleGAN与伪标签的目标检测域自适应模型。

8.根据权利要求7所述的基于CycleGAN与伪标签的目标检测自适应模型的构建方法，其特征在于，步骤S34中，在对初步域自适应模型Q的训练过程中，对于中间域数据集XM的图像样本，都将其相应的置信度值设置为1进行处理。