申请/专利权人：中南大学

申请日：2023-06-12

公开（公告）日：2024-04-26

公开（公告）号：CN117934893A

主分类号：G06V10/764

分类号：G06V10/764;G06V10/774;G06V10/82;G06N3/0464;G06N3/0895

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.14#实质审查的生效;2024.04.26#公开

摘要：本申请提出了一种半监督目标检测方法，包括：利用预设强数据增强方式和预设弱数据增强方式分别对无标签样本图像进行处理，获得强数据增强后的无标签样本图像和弱数据增强后的无标签样本图像；基于有标签样本图像对学生模型进行训练，获得学生模型对有标签样本图像的预测损失；根据学生模型对强数据增强后的无标签样本图像的输出以及教师模型对弱数据增强后的无标签样本图像的输出，计算回归损失和分类损失；根据预测损失、回归损失和分类损失获取损失函数值，并判断损失函数值是否收敛在预设范围内，若是，则完成目标检测模型的训练；将待测图像输入目标检测模型，得到待测图像的检测结果。如此，能够提升模型训练效果，提高检测结果的精度。

主权项：1.一种半监督目标检测方法，其特征在于，所述方法包括：步骤S1、获取有标签样本图像和无标签样本图像；步骤S2、利用预设强数据增强方式和预设弱数据增强方式分别对无标签样本图像进行处理，获得强数据增强后的无标签样本图像和弱数据增强后的无标签样本图像；步骤S3、构建半监督目标检测模型，目标检测模型包括基于目标检测网络的教师模型和学生模型；步骤S4、基于有标签样本图像对学生模型进行训练，获得训练后的学生模型对有标签样本图像的预测损失；步骤S5、将训练后的学生模型的参数以指数滑动平均的方式更新至教师模型；步骤S6、根据训练后的学生模型对强数据增强后的无标签样本图像的输出以及教师模型对弱数据增强后的无标签样本图像的输出，计算回归损失和分类损失；步骤S7、根据预测损失、回归损失和分类损失获取损失函数值，并判断损失函数值是否收敛在预设范围内，若是，则完成目标检测模型的训练，若否，则根据损失函数值修改学生模型的参数，并返回步骤S4；步骤S8、将待测图像输入目标检测模型，得到待测图像的检测结果。

全文数据：

权利要求：

百度查询： 中南大学 半监督目标检测方法、装置、计算机设备及存储介质

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