【技术实现步骤摘要】
基于边框分级筛选的弱监督目标检测方法
本专利技术涉及图像处理、目标检测和计算机视觉
，尤其涉及一种基于边框分级筛选的弱监督目标检测方法。
技术介绍
人工神经网络(ArtificialNeuralNetwork)是一种通过模仿人脑神经网络行为特征，进行分布式并行信息处理的算法数学模型。随着人工神经网的发展以及多种人工智能技术的出现，将人工神经网络应用于通用目标检测成为了人们关注的焦点。一个设计良好的人工神经网络能准确地定位并识别通用目标，这种基于人工神经网络的通用目标检测技术广泛的应用于人脸识别，交通标志检测，自动驾驶以及医学图像检测等多个重要领域。基于人工神经网络的通用目标检测技术主要包含特征提取和分类器训练两个关键步骤。其中，特征提取不同于传统方法中人工提取特征，人工神经网络能自动的提取图像标签中所含目标的特征，即利用多层卷积神经网络模拟目标物体的特征，并在训练的过程中使用反向传播算法进行各层网络参数的更新；分类器训练指的是神经网络在提取特征的基础上，分析寻找特征规律，用来判断图像中物体的类别和位置。...
【技术保护点】
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：/n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；/n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；/n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；/n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；/n根据...
【技术特征摘要】
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；
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；
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；
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。
2.根据权利要求1所述的基于边框分级筛选的弱监督目标检测方法，其特征在于，所述的两种不同的噪声为像素点小于或等于1％的像素点的噪声。
3.根据权利要求1所述的基于边框分级筛选的弱监督目标检测方法，其特征在于，所述的第一阈值为0.3，第二阈值为0.8，第三阈值为0.3。
4.根据权利要求1所述的基于边框分级筛选的弱监督目标检测方法，其特征在于，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＝λ1IoU(A,B)+λ2IoU(A,C)(1)
其中，λ1和λ2表示对应检测框B和检测框C的权重参数，IoU(A，B)表示检测框A和B的交并比，IoU(A，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。
5.根据权利要求4所述的基于边框分级筛选的弱监督目标检测方法，其特征在于，所述的λ1和λ2均为0.5。
6.根据权利要求4所述的基于边框分级筛选的弱监督目标检测方法，其特征在于，所...
【专利技术属性】
技术研发人员：韦世奎，贾麒霏，赵耀，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：北京;11
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。