申请/专利权人：北京交通大学

申请日：2021-03-01

公开（公告）日：2024-03-19

公开（公告）号：CN112949630B

主分类号：G06V10/25

分类号：G06V10/25;G06V10/774;G06V10/82;G06N3/0464

优先权：

专利状态码：有效-授权

法律状态：2024.03.19#授权;2021.07.02#实质审查的生效;2021.06.11#公开

摘要：本发明提供了一种基于边框分级筛选的弱监督目标检测方法，包括：对训练集中所有图片中分别加入两种不同的噪声；采用弱监督目标检测算法进行检测生成检测框，并采用NMS方法将检测框的得分高于第一阈值的检测框作为初筛后的检测框；计算出每个初筛后的检测框的稳定度，利用NMS方法将所有检测框中稳定度大于第二阈值的检测框作为稳定框；计算所有检测框的评分和等级，利用NMS方法对所有初筛后的检测框进行筛选，将评分大于第三阈值的检测框作为二筛后的检测框；计算可靠性，用脚本对二筛后的检测框的信息制作成像素级标签；采用改进的基于FasterR‑CNN人工神经网络对像素级标签训练来定位识别检测，本方法可以减少检测时间。

主权项：1.一种基于边框分级筛选的弱监督目标检测方法，其特征在于，包括：对训练集中所有图片中分别加入两种不同的噪声，得到包括原始训练集的3组训练集；采用弱监督目标检测算法对所述的3组训练集进行检测，生成3组训练集上的检测框，并采用非极大值抑制NMS方法将检测框的得分高于第一阈值的检测框作为初筛后的检测框；计算出每个初筛后的检测框的稳定度，利用NMS方法将所有检测框中稳定度大于第二阈值的检测框作为稳定框；所述的计算出每个初筛后的检测框的稳定度，包括：对于所有图片中同一图片对应的三组检测框中，一组检测框中的一个检测框与其他两组检测框中每组中的一个检测框相互之间的交并比计算每个初筛后的检测框的稳定度，所述稳定度根据下式1计算：STA＝λ1IoUA,B+λ2IoUA,C1其中，λ1和λ2表示对应检测框B和检测框C的权重参数，IoUA，B表示检测框A和B的交并比，IoUA，C表示检测框A和C的交并比，A、B和C表示从同一图片的三组检测框中分别选取的一个检测框，选取方法为：对于某一组检测框中的单个检测框A，分别计算其与另外两组检测框中所有检测框的交并比，在另外两组检测框中与检测框A有最大交并比的检测框，作选出的为与检测框A最接近的框，此处的检测框B和C；根据初筛后的检测框与稳定框之间的位置关系计算所有检测框的评分和等级，利用NMS方法对所有初筛后的检测框进行筛选，将评分大于第三阈值的检测框作为二筛后的检测框；所述的根据所有初筛后的检测框与稳定框之间的位置关系计算所有检测框的评分和等级，包括：S61将每个稳定框的得分S置为0.2，将其他剩余检测框的得分S置为0.1；将稳定框的等级grade置为1，并将其他剩余检测框的等级grade置为0，在剩余的检测框中，寻找与检测框A或检测框B同一类别的包含grade＝1检测框的检测框，并根据下式2计算检测框的包含程度： S62当IoSA,BTIoS，则定义为检测框A包含检测框B，其中，TIoS是衡量包含程度的参数，值为0.8；如果检测框A包含检测框B，则将检测框A的等级重置为2，并使用下式3更新检测框A的得分，如果不包含，则不更新检测框A的得分：ScoreA＝ScoreA+ScoreBIoSA,B3S63重复S61-S62，如果检测框A包含grade＝1,2,3,4...的检测框，则将检测框A的等级重置为2,3,4,5…，并使用上式3更新检测框A的分数；其中，需要将分数更新的次数限制为1，即如果检测框C和检测框D都为grade＝i的检测框，对于检测框A,同时满足IoSA,CTIoS和IoSA,DTIoS，则根据得分计算公式，分数只更新一次；根据检测框的等级计算可靠性，用脚本对二筛后的检测框的信息制作成像素级标签；所述的根据检测框的等级计算可靠性，包括根据下式4计算可靠性： 其中，m表示所有图像中每个类别的检测框的总数，grade表示检测框的等级，gradeA表示检测框A的等级，gradeavg表示单个类别所有检测框grade的平均值；根据可靠性采用改进的基于FasterR-CNN人工神经网络对所述的像素级标签训练来进行定位识别检测。

全文数据：

权利要求：

百度查询： 北京交通大学 基于边框分级筛选的弱监督目标检测方法

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