1.基于领域自适应的跨域目标检测方法，其特征在于，具体步骤包括：步骤1，获取包括源域 和目标域 的目标检测数据集，进行数据增强和数据集扩充；

步骤2，构建CycleGAN网络，将扩充后的数据集对CycleGAN网络进行训练并输出生成数据域 ；

步骤3，构建Faster RCNN网络作为目标检测器，将源域 和生成数据域 作为训练集对目标检测器进行训练；

步骤4，对目标域 的数据集进行复杂度评估划分为不同等级的数据，根据复杂度评估的结果，对目标检测器进行再训练；

步骤5，采用步骤4训练好的目标检测器对待检测数据进行目标检测，最终得到检测结果；

所述步骤4具体的为：

步骤4.1、对目标域 验证集进行复杂度评估，首先使用预训练的VGG网络，移除其最后一层作为特征提取器，进行样本的特征提取，同时对所输入的图像进行数据增强，最后将所输出的高维特征向量使用L2范数进行归一化，然后使用归一化的特征来训练岭回归分类器，使模型能够预测到ground‑truth难度的分数；

步骤4.2、根据评估结果将目标域 验证集样本按难度进行划分，按照难度将样本划分为 个批次，样本难度评估公式如下所示：其中 为输入图像，为边界框坐标， 为边界框坐标中的宽度和高度，为样本数目；

步骤4.3，在对验证集样本进行复杂度评估后，根据复杂度评估结果将样本分为简单、中等和困难，随后先将容易的样本输入给目标检测器，得到目标检测器对于目标域 样本的预测结果，随后将预测结果作为简单样本的伪标签，再次训练目标检测器，然后再将中等难度样本输入给目标检测器，执行与简单样本相同的操作，最后将困难样本输入目标检测器，同样执行与简单样本相同的操作，以此完成对验证集数据的迭代，完成目标检测器的最终训练。

2.如权利要求1所述的基于领域自适应的跨域目标检测方法，其特征在于，步骤2中所述CycleGAN网络结构由两个相同结构的生成器和两个相同结构的判别器构成，生成器结构为依次连接的三层卷积层、六层ResNet模块、两层反卷积层和一层卷积层，每个卷积层后接一种非线性激活函数，判别器结构为依次连接的五层卷积层和一层全连接层，卷积层后接一种非线性激活函数，全连接层后接Softmax函数。

3.如权利要求2所述的基于领域自适应的跨域目标检测方法，其特征在于，步骤2对所述CycleGAN网络的训练过程为：步骤2.1、从源域 中抽取一个子集 ，并从目标域 中也抽取一个子集 ,以 为例，将 输入给CycleGAN网络的第一个判别器 ；

步骤2.2、由步骤2.1将 输入给判别器 后，给生成器 输入随机高斯白噪声，生成器生成图像后，将其再输入给判别器 ，判别器 对输入图像进行判断，若输入图像为生成图像，判别器 输出为0，若输入图像为真实图像判别器 输出为1；

步骤2.3、同理对Y也进行同样的操作，将Y输入给判别器 ，给生成器 输入随机高斯白噪声，生成器生成图像后再输入判别器 ，判别器 对输入图像进行判断，若输入图像为生成图像，判别器 输出为0，若输入图像为真实图像判别器 输出为1。

4.如权利要求2所述的基于领域自适应的跨域目标检测方法，其特征在于，所述CycleGAN网络包括对实现映射 时的损失函数 、表示实现映射时的损失函数 、循环一致性损失函数 如公式（1）（3）：

~

其中 表示实现映射 时的损失函数，其中 表示

真实样本 通过判别器 的损失函数，其中 表示生成样

本 通过判别器 的损失函数， 表示真实样本 通过判别器 的得分，表示生成样本 通过判别器 的得分；

其中 表示实现映射 时的损失函数，其中 表

示真实样本 通过判别器 的损失函数，其中 表示生成

样本 通过判别器 的损失函数， 表示真实样本 通过判别器 的得分，表示生成样本 通过判别器 的得分；

循环一致性损失为：

其中 表示在对齐生成样本和真实样本的分布时所产生的损失，

表示生成样本 和真实样本 之间的损失值， 表示生成样本 和真实样本 之间的损失值， 为向量的L1范数；

则最终的优化函数为：

。

5.如权利要求1所述的基于领域自适应的跨域目标检测方法，其特征在于，步骤3中的Faster RCNN网络结构包括依次连接VGG16特征提取网络 和RPN网络，所述VGG16特征提取网络 包括的两个卷积层、一个RELU激活函数、一个最大池化层、两个卷积层、一个最大池化层、三个卷积层、一个RELU激活函数、一个最池化层、两个卷积层、一个RELU激活函数、一个最池化层；输入图像经VGG16特征提取网络 得到特征图再经过RPN网络，首先经过512个 的卷积后，分为两条支路，第一条支路使用18个 的卷积后，实现对图像中前景或背景的分类，第二条支路使用36个 的卷积后，实现对所检测图像的边界框回归。

6.如权利要求5所述的基于领域自适应的跨域目标检测方法，其特征在于，步骤3中目标检测器的训练过程为：步骤3.1、将源域 的样本 以及生成数据域 中与目标域相似的样本 混合并使用VGG16网络作为特征提取器 提取出高维特征向量， ；

步骤3.2将高维特征向量 ， 输入给后续全连接网络、ReLU非线性激活函数和全连接网络中，得到保存足够特征信息的特征图 、将特征图 经过3*3的卷积处理后，得到一个高维特征向量；

步骤3.3、再经过两次1*1卷积操作，得到两个特征图，根据这两个特征图的输出分数，获得候选区域 ，再对特征图 和候选区域 进行感兴趣区域池化 得到每个感兴趣区域的特征向量 ，将特征向量 输入分类器层得到感兴趣区域的类别和边界框，迭代完成目标检测器的训练。

7.如权利要求5所述的基于领域自适应的跨域目标检测方法，其特征在于，步骤3中目标检测器的损失函数为分类损失和回归损失的和，如下所示：其中 为小批量中锚点的索引， 是锚点 作为目标的预测概率， 为真值，当anchor为正时， 为1，当anchor为负时， 为0，是预测边界框的四个参数化坐标的向量， 是与正锚框相关联的真实框的坐标， 是两个类别的分类损失， 是边界框回归的损失，分别表示分类层和回归层的输出。