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！

申请/专利权人：西安电子科技大学

摘要：本发明公开了一种弱监督目标检测方法及系统，在仅有图像类别的标注情况下，训练一个目标检测器，对图片中的目标进行检测，本发明可以节省标注信息耗费的大量人力、物力和财力。在先验框的生成部分，将选择性搜索算法和梯度加权类激活映射方法相结合，以生成更好的先验框，同时，在检测器的优化迭代过程中，加入了低层特征的监督信息，引入似物度的概念，用来衡量先验框内的目标是完整目标的程度。解决当前弱监督目标检测方法易陷入局部最优的痛点，使网络在没有目标边界框信息监督的情况下，倾向于选择覆盖住整个目标的先验框。本发明网络提高了弱监督目标检测的性能，可用于自动驾驶、智能安防等领域；实验结果表明，具有良好的竞争性能。

主权项：1.一种弱监督目标检测方法，其特征在于，包括以下步骤：S1、读取图像数据和图像级标签，图像级标签为只有图像中物体类别的图像级分类标签，并将图像数据分为训练数据集和测试数据集；S2、在步骤S1读取的训练数据集中使用选择性搜索算法产生候选框，然后通过基于梯度加权类激活映射方法生成高质量的物体提议框；S3、将步骤S1读取的训练数据集输入VGG16卷积神经网络进行特征提取，将提取后的提议框特征通过ROIPooling层生成形状相同的特征矩阵；S4、将步骤S1读取到的图像级标签和步骤S3得到的特征矩阵一一对应，进行多示例学习，构建MIL检测器；S5、向步骤S2得到的物体提议框中加入低层次监督信息，并建立实例分类器进行优化迭代；将得分最高的提议框作为伪标签训练边界框回归网络，具体为：S501、在MIL检测器的基础上建立K个实例分类器，计算提议框r的低层特征的似物度Obur，其通过衡量跨越超像素SuperpixelsStraddling的程度来衡量，将似物度Obur和上一个分类器得到的类别得分进行加权相加，将相加后得分高的提议框作为具有完整物体目标的提议框，将前n个得分高的提议框作为下一次迭代训练实例分类器时的伪监督信息，共迭代K次训练K个实例分类器；S502、在K个实例分类器后面连接一个边界框回归器，边界框回归器的目标是对每一个框都输出一个修正值，分别修正x，y，w，h四个参数；S6、确定步骤S4得到的MIL检测器和步骤S5得到的边界框回归网络的损失函数；S7、调整步骤S6边界框回归网络的超参数，得到弱监督检测模型；S8、利用步骤S1得到的训练数据集对步骤S7中得到的弱监督检测模型进行训练，得到训练好的弱监督检测模型；S9、在步骤S1得到的测试数据集使用选择性搜索算法产生候选框，然后利用步骤S8训练好的弱监督检测模型对候选框进行分类和边界框回归，得到最终的目标检测框。

全文数据：

权利要求：

百度查询： 西安电子科技大学 一种弱监督目标检测方法及系统