本发明专利技术公开了一种目标检测训练方法、系统、电子设备及计算机可读存储介质，方法包括：通过backbone对图像进行特征提取，获得图像特征；图像特征通过噪声方法获得噪声特征；根据图像特征和噪声特征使用一致性正则化方法对RPN网络进行优化；图像特征经过优化后的RPN网络输出proposals；proposals通过噪声方法获得noise proposals；根据proposals和noise proposals使用一致性正则化方法对roi_heads网络进行优化；proposals通过roi_heads网络得到最终的全分类结果和位置结果。本发明专利技术基于图像分类领域中一致性正则化的技术路线，使得在目标检测领域也可以使用未标注的数据进行网络的训练，以提高网络结构的精度，做到更高的检测性能。检测性能。检测性能。
【技术实现步骤摘要】
目标检测训练方法、系统、电子设备及计算机可读存储介质
[0001]本专利技术涉及深度学习
，尤其涉及一种基于半监督学习的目标检测训练方法、系统、电子设备及计算机可读存储介质。
技术介绍
[0002]深度学习是目前计算机视觉领域最常用最重要的技术手段，深度学习使用由手工标注的大量图像数据进行迭代训练以实现特定的图像任务，如图像分类/目标检测/语义分割/图像检索等任务。
[0003]其中，目标检测任务是深度学习的一大重要分支，在此领域已经有非常多十分优秀的网络结构可以得到足以媲美人类的性能表现，如Faster RCNN/YOLO/SSD等。但训练一个优秀的目标检测器，需要大量的人工标注数据，且数据标注的复杂度较高，要逐图的对图像中感兴趣的目标进行标注，且其标注的数据量较大，通常都是上万的数据量，在实际的应用中需要消耗大量的人力成本。
[0004]另一方面，得益于目前互联网技术的飞速发展和信息化社会的推进，在当前的互联网上有巨量的未标注数据资源，这些资源由于缺少标注信息无法被应用于网络训练，如果能够使用这些信息而无需标注则可以大大减少人力成本。为了能够使用这些数据，可以人工标注少量数据与大量的无标注数据进行结合使用，这种方法被称为半监督学习，即一半有标注一半没有标注。在图像分类领域，目前已经有较多的半监督方法使用未标注的数据进行学习，但是由于目标检测领域较为复杂目前还未有成熟的方法进行半监督学习。
技术实现思路
[0005]本专利技术针对上述在目标检测领域没有成熟的方法进行半监督学习的问题，提出一种基于半监督学习的目标检测训练方法、系统、电子设备及计算机可读存储介质。
[0006]为了达到上述目的，本专利技术采用的技术方案为：
[0007]第一方面，本申请实施例提供了一种基于半监督学习的目标检测训练方法，包括：
[0008]特征提取步骤：通过backbone对图像进行特征提取，获得图像特征；
[0009]一阶段噪声添加步骤：所述图像特征通过噪声方法获得噪声特征；
[0010]RPN网络优化步骤：根据所述图像特征和所述噪声特征使用一致性正则化方法对RPN网络进行优化；
[0011]proposal输出步骤：所述图像特征经过优化后的RPN网络输出proposals；
[0012]二阶段噪声添加步骤：所述proposals通过噪声方法获得noise proposals；
[0013]roi_heads网络优化步骤：根据所述proposals和所述noise proposals使用一致性正则化方法对roi_heads网络进行优化；
[0014]结果生成步骤：所述proposals通过roi_heads网络得到最终的全分类结果和位置结果。
[0015]上述基于半监督学习的目标检测训练方法，其中，所述RPN网络优化步骤包括：
[0016]一阶段输入步骤：将所述图像特征和所述噪声特征输入至RPN网络中；
[0017]一阶段损失计算步骤：使用第一分类一致性损失函数和第一回归一致性损失函数计算所述图像特征和所述噪声特征的结果向量的一致性。
[0018]上述基于半监督学习的目标检测训练方法，其中，所述第一分类一致性损失函数为MSE距离函数；所述第一回归一致性损失函数为Smooth L1损失函数。
[0019]上述基于半监督学习的目标检测训练方法，其中，所述roi_heads网络优化步骤包括：
[0020]二阶段输入步骤：将所述proposals和所述noise proposals输入至roi_heads网络中；
[0021]二阶段损失计算步骤：使用第二分类一致性损失函数和第二回归一致性损失函数计算所述proposals和所述noise proposals的结果向量的一致性。
[0022]上述基于半监督学习的目标检测训练方法，其中，所述第二分类一致性损失函数为KL散度函数；所述第二回归一致性损失函数为Smooth L1损失函数。
[0023]第二方面，本申请实施例提供了一种基于半监督学习的目标检测训练系统，包括：
[0024]特征提取模块：通过backbone对图像进行特征提取，获得图像特征；
[0025]一阶段噪声添加模块：所述图像特征通过噪声方法获得噪声特征；
[0026]RPN网络优化模块：根据所述图像特征和所述噪声特征使用一致性正则化方法对RPN网络进行优化；
[0027]proposal输出模块：所述图像特征经过优化后的RPN网络输出proposals；
[0028]二阶段噪声添加模块：所述proposals通过噪声方法获得noise proposals；
[0029]roi_heads网络优化模块：根据所述proposals和所述noise proposals使用一致性正则化方法对roi_heads网络进行优化；
[0030]结果生成模块：所述proposals经过优化后的roi_heads网络得到最终的全分类结果和位置结果。
[0031]上述基于半监督学习的目标检测训练系统，其中，所述RPN网络优化模块包括：
[0032]一阶段输入单元：将所述图像特征和所述噪声特征输入至RPN网络中；
[0033]一阶段损失计算单元：使用第一分类一致性损失函数和第一回归一致性损失函数计算所述图像特征和所述噪声特征的结果向量的一致性。
[0034]上述基于半监督学习的目标检测训练系统，其中，所述roi_heads网络优化模块包括：
[0035]二阶段输入单元：将所述proposals和所述noise proposals输入至roi_heads网络中；
[0036]二阶段损失计算单元：使用第二分类一致性损失函数和第二回归一致性损失函数计算所述proposals和所述noise proposals的结果向量的一致性。
[0037]第三方面，本申请实施例提供了一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的目标检测训练方法。
[0038]第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的目标检测训练方法。
[0039]与现有技术相比，本专利技术的优点和积极效果在于：
[0040]1.在图像分类领域，目前已经有较多的半监督方法使用未标注的数据进行学习，但是由于目标检测领域较为复杂目前还未有成熟的方法进行半监督学习。一致化正则方法由于使用了标注数据和未标注数据的混合训练，因此可以使得网络结构较为平滑的学习未标注数据的信息。本方法基于图像分类领域中一致性正则化的技术路线，设计适用于目标检测的训练框架，使得在目标检测的领域也可以使用未标注的数据进行网络的训练，提高了网络结构的精度，做到更高的检测性能。
[0041]2.本技术方法本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种目标检测训练方法，其特征在于，包括：特征提取步骤：通过backbone对图像进行特征提取，获得图像特征；一阶段噪声添加步骤：所述图像特征通过噪声方法获得噪声特征；RPN网络优化步骤：根据所述图像特征和所述噪声特征使用一致性正则化方法对RPN网络进行优化；proposal输出步骤：所述图像特征经过优化后的RPN网络输出proposals；二阶段噪声添加步骤：所述proposals通过噪声方法获得noise proposals；roi_heads网络优化步骤：根据所述proposals和所述noise proposals使用一致性正则化方法对roi_heads网络进行优化；结果生成步骤：所述proposals通过roi_heads网络得到最终的全分类结果和位置结果。2.根据权利要求1所述的目标检测训练方法，其特征在于，所述RPN网络优化步骤包括：一阶段输入步骤：将所述图像特征和所述噪声特征输入至RPN网络中；一阶段损失计算步骤：使用第一分类一致性损失函数和第一回归一致性损失函数计算所述图像特征和所述噪声特征的结果向量的一致性。3.根据权利要求2所述的目标检测训练方法，其特征在于，所述第一分类一致性损失函数为MSE距离函数；所述第一回归一致性损失函数为Smooth L1损失函数。4.根据权利要求1所述的目标检测训练方法，其特征在于，所述roi_heads网络优化步骤包括：二阶段输入步骤：将所述proposals和所述noise proposals输入至roi_heads网络中；二阶段损失计算步骤：使用第二分类一致性损失函数和第二回归一致性损失函数计算所述proposals和所述noise proposals的结果向量的一致性。5.根据权利要求4所述的目标检测训练方法，其特征在于，所述第二分类一致性损失函数为KL散度函数；所述第二回归一致性损失函数为Smooth L1损失函数。6.一种目标检测训练系统，...
【专利技术属性】
技术研发人员：朱彦浩，胡郡郡，唐大闰，
申请(专利权)人：上海明略人工智能集团有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。