申请/专利权人：北京交通大学

申请日：2023-05-16

公开（公告）日：2024-02-23

公开（公告）号：CN116503603B

主分类号：G06V10/26

分类号：G06V10/26;G06V10/82;G06N3/0464;G06N3/08;G06V10/774;G06V10/40;G06V10/77

优先权：

专利状态码：有效-授权

法律状态：2024.02.23#授权;2023.08.15#实质审查的生效;2023.07.28#公开

摘要：一种基于弱监督语义分割和特征弥补的类间遮挡目标检测网络模型的训练方法，所述弱监督语义分割和特征弥补的类间遮挡目标检测网络模型包括卷积神经网络、弱监督语义分割模块、特征弥补模块，包括如下步骤：将预处理原始图输入卷积神经网络进行特征提取，获得若干检测层的若干输出特征图；将所述若干输出特征图输入弱监督语义分割模块进行特征优化获得卷积神经网络的损失函数L0和分割损失函数Lseg,将优化后的特征图输入特征弥补模块获得弥补损失函数Lre，将所有损失叠加得到总体损失并进行反向传播，更新网络权重，直至网络收敛。分别从数据增强、特征提取、特征空间这三个方面进行优化，提高了检测目标被遮挡时的识别精度。

主权项：1.一种基于弱监督语义分割和特征弥补的类间遮挡目标检测网络模型的训练方法，所述弱监督语义分割和特征弥补的类间遮挡目标检测网络模型包括卷积神经网络和弱监督语义分割模块，其特征在于，包括如下步骤：将预处理原始图输入卷积神经网络进行特征提取，获得若干检测层的若干输出特征图；将所述若干输出特征图输入弱监督语义分割模块进行特征优化并计算获得卷积神经网络的损失函数L0和分割损失函数Lseg，所述弱监督语义分割模块被配置为：将所述输出特征图通过若干个分支产生通道注意力权重和分割图，将所述通道注意力权重叠加到所述输出特征图上，得到优化特征图，将所述分割图和目标标注框产生的对应尺度上的弱监督语义分割真值图计算分割损失函数Lseg；所述弱监督语义分割和特征弥补的类间遮挡目标检测网络模型还包括特征弥补模块，被配置为：将所述优化特征图进行标签匹配和特征映射得到所有目标正样本特征并将所述目标正样本特征划分为两个集合，将所述两个集合计算弥补损失函数Lre；将所述卷积神经网络损失函数L0、所述分割损失函数Lseg和所述弥补损失函数Lre按照式I进行相加，得到总体损失函数L：L＝λ0L0+λ1Lseg+λ2LreI式中：L0表示卷积神经网络的损失函数，Lseg表示分割损失函数，Lre表示弥补损失函数，λ0表示卷积神经网络损失函数L0损失的加权系数，λ1表示分割损失函数Lseg损失的加权系数，λ2表示弥补损失函数Lre损失的加权系数；λ0为1；所述输出特征图通过若干个分支产生通道注意力权重和分割图，包括如下步骤：将所述若干输出特征图经过池化和若干卷积层处理，进一步进行特征提取，得到若干新特征图；将所述若干新特征图输入通道注意力部分，获得所述若干新特征图相应的通道注意力权重以及分割图；将轻微遮挡目标的特征和严重遮挡目标的特征计算弥补损失函数Lre。

全文数据：

权利要求：

百度查询： 北京交通大学 一种基于弱监督语义分割和特征弥补的类间遮挡目标检测网络模型的训练方法

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