一种基于全自动学习的目标检测方法技术

本发明专利技术公开了一种基于全自动学习的目标检测方法，所述方法包括：利用预处理后的小规模的人工标注数据集，使用深度神经网络进行模型的训练，使用Imagenet数据集训练的模型进行微调，获取深度模型；利用深度模型对原始大规模图像数据集伪标注的部分进行推理预测，进行非极大值抑制后去掉同一目标重复的预测，按类别分别存储预测结果的边界框及其置信度；通过自监督伪标注和主动学习样本选择，联合学习深度神经网络预测的信息熵和分歧度，根据权重对未标记的样本进行排序，将伪标签分配给排名靠前的高置信度样本。本发明专利技术目的是解决在实际场景下，常用目标检测标注人力成本过高，训练模型迁移性和适应能力差的问题。

A method of target detection based on automatic learning

【技术实现步骤摘要】
一种基于全自动学习的目标检测方法
本专利技术涉及目标检测领域，尤其涉及一种基于全自动学习的目标检测方法。
技术介绍
随着深度学习和计算机视觉技术的日趋成熟，利用深度学习判断图片所含的物体类别、位置、大小信息——即目标检测开始大规模发展。常见的目标检测工作流程如下：首先，利用人工采集的图像数据集或网络上的图像数据进行人工标注，构建数据集；其次，使用常用的目标检测算法如Faster-RCNN、YOLO等训练数据集，得到所需的模型；然后，将模型和前向推理算法放到部署端或云端，在需要的场景下判断图像中含有的物体类别和位置，得到图像信息。但是，这种工作流程存在以下问题：1、数据集类别繁多，数据量巨大，人工标注时间和人力成本高，数据标注准确性得不到保证；2、数据集类别变化快，目标检测模型更改类别需要重新标注训练，复杂度高。在真实的应用场景下，数据集、数据类别是经常发生改变的，需要大量的人员耗时耗力处理和维护。因此，常见的目标检测流程得到的模型训练和迁移不够灵活，难以适应实际应用上速度的需要。目前，面向图像数据的自动学习方法主要有：1本文档来自技高网...

【技术保护点】
1.一种基于全自动学习的目标检测方法，其特征在于，所述方法包括：/n利用预处理后的小规模的人工标注数据集，使用深度神经网络进行模型的训练，使用Imagenet数据集训练的模型进行微调，获取深度模型；/n利用深度模型对原始大规模图像数据集伪标注的部分进行推理预测，进行非极大值抑制后去掉同一目标重复的预测，按类别分别存储预测结果的边界框及其置信度；/n通过自监督伪标注和主动学习样本选择，联合学习深度神经网络预测的信息熵和分歧度，根据权重对未标记的样本进行排序，将伪标签分配给排名靠前的高置信度样本。/n

【技术特征摘要】
1.一种基于全自动学习的目标检测方法，其特征在于，所述方法包括：
利用预处理后的小规模的人工标注数据集，使用深度神经网络进行模型的训练，使用Imagenet数据集训练的模型进行微调，获取深度模型；
利用深度模型对原始大规模图像数据集伪标注的部分进行推理预测，进行非极大值抑制后去掉同一目标重复的预测，按类别分别存储预测结果的边界框及其置信度；
通过自监督伪标注和主动学习样本选择，联合学习深度神经网络预测的信息熵和分歧度，根据权重对未标记的样本进行排序，将伪标签分配给排名靠前的高置信度样本。


2.根据权利要求1所述的一种基于全自动学习的目标检测方法，其特征在于，所述通过自监督伪标注和主动学习样本选择，联合学习深度神经网络预测的信息熵和分歧度，根据权重对未标记的样本进行排序，将伪标签分配给排名靠前的高置信度样本具体为：

【专利技术属性】
技术研发人员：朱鹏飞，刘肖宇，胡清华，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12