一种基于弱监督学习的图像目标检测方法技术

本发明专利技术公开了一种基于弱监督学习的图像目标检测方法，属于机器视觉技术领域。首先收集图像数据集，采用多示例学习方法训练构建的基于多尺度特征图的深度卷积神经网络模型；然后输入实际图像，通过深度卷积神经网络模型提取实际图像的类别热力图；最后采用二值化图像连通区域分析方法输出类别热力图中目标的包围框，得到目标检测结果。本发明专利技术使用基于弱监督学习方法实现了图像目标检测任务，在卷积神经网络模型训练中的标注仅使用图像级分类标注信息即可完成目标检测任务，有别于现有技术所需的目标包围框标注信息，大大减少了人工标注图像中目标的工作，使得完成图像目标检测任务更具经济效益。

【技术实现步骤摘要】
一种基于弱监督学习的图像目标检测方法
本专利技术属于神经网络
，具体涉及一种基于弱监督学习的图像目标检测方法。
技术介绍
随着深度学习在计算机视觉任务的应用越来越广泛，当下深度神经网络模型在图像分类、目标检测、语义分割等任务中表现优异，但是监督学习式地训练模型需要大量人工标注信息，这些标注信息，尤其是位置相关的标注，往往会耗费大量的人力物力，因此对标注信息依赖更低的弱监督学习方法成为了研究热点。弱监督学习是机器学习的一种方式，区别于监督学习模型要求标注与模型输出一一对应，弱监督学习依赖的标注信息仅需要部分层级标注，故弱监督学习在实际计算机视觉任务中具有良好的应用前景与经济效益。(1)图像特征提取传统特征提取主要运用图像处理的手段，手工设计特征模式以及相应的提取方法，设计和提取的过程中融入了大量的人工痕迹，在耗费人力的同时，也不利于从数据本身的角度进行信息挖掘。卷积神经网络的方法则利用网络能够自学习的特性，从设计实现过程中尽量地避免人工过度干预，在简化过程的同时，还能达到比传统方法更好的识别效果，而深度神经网络的多层结构使其能够学习到更高层、更抽象的表达，采用多尺度特征融合的方式本文档来自技高网...

【技术保护点】
1.一种基于弱监督学习的图像目标检测方法,其特征在于，包括如下步骤：步骤1：收集图像数据集，采用多示例学习方法训练构建的基于多尺度特征图的深度卷积神经网络模型；步骤2：输入实际图像，通过深度卷积神经网络模型提取实际图像的类别热力图；步骤3：采用二值化图像连通区域分析方法输出类别热力图中目标的包围框，得到目标检测结果。

【技术特征摘要】
1.一种基于弱监督学习的图像目标检测方法,其特征在于，包括如下步骤：步骤1：收集图像数据集，采用多示例学习方法训练构建的基于多尺度特征图的深度卷积神经网络模型；步骤2：输入实际图像，通过深度卷积神经网络模型提取实际图像的类别热力图；步骤3：采用二值化图像连通区域分析方法输出类别热力图中目标的包围框，得到目标检测结果。2.根据权利要求1所述的一种基于弱监督学习的图像目标检测方法,其特征在于，所述步骤1包括如下步骤：步骤1.1：收集整理图像数据，对图像尺寸做归一化处理，并对图像作多热编码标注；步骤1.2：构建基于多尺度特征图的深度卷积神经网络模型，深度卷积神经网络模型的主干网络模型采用经公开数据集预训练的模型；步骤1.3：采用多示例学习方法训练构建的深度卷积神经网络模型，其中标注数据使用步骤1.1中的多热编码标注。3.根据权利要求2所述的一种基于弱监督学习的图像目标检测方法,其特征在于，所述步骤1.3包括如下步骤：步骤1.3.1：通过多热编码标注和深度卷积神经网络模型输出预测值作为多类别概率，以计算交叉熵损失函数；使用高光损失函数对深度卷积神经网络模型中的输出特征图进行约束，迫使卷积网络模型中的输出特征图上的响应值往确定性高处靠拢，并将这交叉熵损失函数和高光损失函数之和作为模型的总体损失函数；步骤1.3.2：在训练时对总损失函数使用优化器进行梯度下降优化，训练深度卷积神经网络模型直至收敛。4.根据权利要求2所述的一种基于弱监督学习的图像目标检测方法，其特征在于：所述步骤2包括如下步骤：步骤2.1：对于输入的实际图像进行尺度归一化处理；步骤2.2：将经归一化处理...

【专利技术属性】
技术研发人员：屈鸿，张云龙，杨昀欣，刘永胜，季江舟，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51