申请/专利权人：中国海洋大学

申请日：2024-02-04

公开（公告）日：2024-04-19

公开（公告）号：CN117690011B

主分类号：G06V20/05

分类号：G06V20/05;G06V10/774;G06V10/44;G06V10/82;G06N3/0464

优先权：

专利状态码：有效-授权

法律状态：2024.04.19#授权;2024.03.29#实质审查的生效;2024.03.12#公开

摘要：本发明提供了一种适用于嘈杂水下场景的目标检测方法及其模型搭建方法，属于水下目标检测模型学习方法技术领域，本发明设计了样本加权超特征网络，用于特征提取和目标检测；其次，本发明设计了样本加权损失函数，根据样本重要性赋予训练数据权重，以控制样本对目标检测网络训练的影响；此外，进一步设计了三阶段目标检测模型及相应的训练方法；最后，提出了选择性集成算法，通过整合多个高性能检测器构建最终的集成目标检测模型，从而进一步提升水下目标检测性能。总的来说，这些方法共同推动了水下目标检测技术在处理噪声、提升检测准确性和鲁棒性方面取得了显著进步。

主权项：1.一种适用于嘈杂水下场景的目标检测模型搭建方法，其特征在于，包括以下过程：步骤1，获取水下待检测目标原始数据集，对原始数据集进行预处理，获取预处理后的数据集，并划分为训练集和测试集；步骤2，第一阶段噪声消除阶段；基于两组基础检测模型，使用训练集进行噪声消除阶段的训练学习，未被检测到的目标的权值会减小，通过样本加权损失，下一个目标检测网络将着重学习具有高权重的干净数据；所述基础检测模型包括特征提取网络和目标检测网络；步骤3，第二阶段噪声学习阶段；使用训练集对其中一组检测模型进行噪声学习阶段的训练学习，通过样本加权损失，增加未被检测到的目标权重，使检测器专注于对带有噪声的样本进行学习；所述噪声消除阶段和噪声学习阶段的训练方法为：用表示在第次迭代时，第个样本的权值；针对噪声消除阶段，每个样本目标权值初始化为，，且该阶段的迭代次数为；在第m次迭代中，首先计算正训练样本的权值；如果第个正样本在训练过程中与第个对象匹配，计算第个正样本的权重为： 1其中，表示在第m次迭代中第个样本的权值；由于样本加权损失中每个正训练样本的初始权值为1，因此提升正样本的权重为其匹配对象的倍；之后，使用重新加权的样本来训练检测器；最后，在训练集上运行第m次迭代的检测器，得到检测结果，而是第q个预测结果，包括预测类（）、分数（）和坐标；根据未被检测到对象的百分比计算第m个检测器的错误率： 2其中： 3如果存在一个检测目标d与第个真实对象属于同一类，并且两者检测的IoU大于阈值θ，则设置，表示第个目标已被检测到；最后，使用式（4）计算第m个检测器的权重，用于不同的检测器的集成使用： 4 5其中，为被检测目标的类别数；最后，更新每个对象的权重，并训练目标检测；在噪声消除阶段的次迭代中，通过等式（5）减少了未检测对象的权重，这使得后续检测器能够更少地关注可能的噪声数据；在噪声学习阶段的次迭代中，通过等式（6）增加未检测到的目标对象的权重，而检测器转向学习不同的噪声数据，直到训练完成； 6其中，是一个标准化常数，此外，从噪声消除到噪声学习阶段时，初始化噪声学习阶段检测器的初始参数为噪声消除阶段最后的训练参数；步骤4，第三阶段集成阶段；通过选择性集成算法将第一阶段和第二阶段得到的检测模型进行集成；步骤5，使用测试集对集成后的模型进行测试，并获得最终目标检测模型。

全文数据：

权利要求：

百度查询： 中国海洋大学 适用于嘈杂水下场景的目标检测方法及其模型搭建方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD