申请/专利权人：北京航空航天大学

申请日：2021-11-16

公开（公告）日：2024-06-25

公开（公告）号：CN114154563B

主分类号：G06V10/764

分类号：G06V10/764;G06V10/774;G06V10/80;G06V10/82;G06N3/0464;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.06.25#授权;2022.03.25#实质审查的生效;2022.03.08#公开

摘要：本发明提出了基于混合监督训练的目标检测方法，从分析目标检测器训练过程中使用的训练数据集标注策略入手，提出使用部分全标注数据和部分弱监督标注数据进行混合训练的目标检测方法。方法通过使用峰值类别激活响应机制，训练时对于弱标注数据，建模物体类别标签与粗粒度位置信息的映射，辅助检测分支训练；对于全标注数据训练模型分类和定位分支。最后将两个分支的结果自适应的融合，提升目标检测器的性能。一方面，本专利提出了一个基于峰值类别激活响应的混合监督训练目标检测器的训练方法，在保证性能同时显著降低训练成本，另一方面，该方法与现有目标检测器相结合，显著降低训练成本，同时一定程度上提升检测性能。

主权项：1.一种基于混合监督训练的目标检测方法，包括：步骤S100，对于训练数据集的弱标注图像，使用网络损失函数，计算类别标签和模型分类预测的损失，使用梯度反向传播方法最小化损失函数训练模型的分类分支，其中，弱标注图像为标注只有类别标签而没有包围框标签的图像，使用弱监督标注的训练图片和对应的类别标签训练峰值类别激活响应分支和中心点检测分支的中心热度图预测；步骤S200，对于训练数据集的全标注图像，使用网络损失函数，计算类别标签与分类预测，计算位置标签与定位预测的损失函数，使用梯度反向传播方法最小化损失函数，训练模型的分类和定位分支，具体地，根据步骤S100中训练好的模型，使用类别标注训练全标注图像的峰值类别激活响应分支和中心点检测分支的分类部分，使用全监督数据训练提出模型的中心点检测分支的预测头，其中，全标注图像为标注有类别标签和包围框标签的图像；步骤S300，对于检测图像，使用通过步骤S100-S200训练好网络权重的卷积神经网络进行前向计算，将峰值类别激活响应分支的结果经过偏移后融合到中心点检测分支中，使用增强后的检测热度图预测，与长宽预测，中心点偏移预测，构成最终的检测框；步骤S100中弱监督训练的分类损失函数为： 其中，saggr为峰值聚合响应置信度，为峰值类别激活响应图峰值点的峰值点响应，ik，jk为峰值类别激活响应图峰值点的峰值位置，Nc为峰值点的数量，label为数据集标注中的类别标签向量，BCE为交叉熵损失函数，MaxPool为最大化池化操作，将N×C×H×W维度的预测向量池化为N×C的类别预测向量峰值聚合响应置信度为峰值类别激活响应分支的预测通过聚合后得到的置信度；步骤S200中全监督训练的损失函数为： 其中，峰值类别激活响应分支损失函数BCE为交叉熵损失函数，Saggr为峰值聚合响应置信度，label为数据集标注中的类别标签向量；中心点检测分支的损失函数为： 其中，为中心点热度图预测，为长宽尺度预测，为中心点偏移预测，Y、wi，hi、δwi，δhi、δpxi，δpyi分别为根据数据集标注通过CenterNet算法产生的热度图、长宽尺度、中心点偏移和向中心偏移量的学习目标，FocalLoss为损失函数，为峰值向中心偏移量预测，L1为距离损失训练；在目标检测过程中，通过训练的混合监督训练模型，使用峰值类别激活响应分支获得分支响应，使用中心点检测分支获得热度图预测、长宽尺度预测、中心点偏移预测和向中心偏移量预测，最后通过中心偏移量的偏移，使峰值点的位置相对靠近于中心点位置，并与中心热度图对应位置的响应进行融合得到增强的中心点热度图，增强的中心点热度图预测与长宽预测，中心点偏移预测，一起构成最终的检测框。

全文数据：

权利要求：

百度查询： 北京航空航天大学 基于混合监督训练的目标检测方法

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