一种用于目标检测的数据错误评分方法技术

本申请涉及一种用于目标检测的数据错误评分方法，所述方法包括：对多个图片内的目标进行标记处理，生成目标检测数据；并将所述目标检测数据划分为训练集、测试集；将所述测试集通过训练模型进行推理，生成推理结果；将所述推理结果与所述训练集的真值进行配对，获得真正例、假正例、假反例；分别计算所述真正例、假正例、假反例的错误得分，并根据所述错误得分对多个图片进行处理；其中，所述训练模型通过目标检测算法对训练集训练获得。其有益效果在于：本申请实现量化待清洗数据集的错误，并且综合考虑模型输出的不确定性，以及优化错误得分排序。得分排序。得分排序。

【技术实现步骤摘要】
一种用于目标检测的数据错误评分方法


[0001]本申请涉及汽车电子
，特别涉及一种用于目标检测的数据错误评分方法。

技术介绍

[0002]目标检测中使用边界框对目标进行标注，在训练中，给算法输入图片和真值目标的边界框坐标，通过多种调参方法最后获得该算法模型；在推理中，将图片数据输入给模型得到结果，该结果包含图片内部的目标的类别、边界框坐标、置信度。通过推理结果和真值比较得到真正例、假正例、假反例，比较前一般将推理结果中置信度小于某个阈值的所有目标删除，不再与真值进行比较，相当于手动将这部分设置为真反例，此外还要设定交并比阈值，即真值边界框和推理边界框的交并比大于阈值才能算匹配上。根据上述评估方法和规则可对数据集进行数据噪声查找，错误标注定位，使得数据得到清洗，提高数据准确度。
[0003]现行方法中，一般将得到的真正例、假正例、假反例结果绘制于原始图片上，然后进行审核和数据清洗工作。此外也会根据每张图片的精确率和召回率或者真正例、假正例个数等进行图片粒度的错误评分，挑选错误得分超过阈值的图片，再进行后续清洗工作。
[000本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于目标检测的数据错误评分方法，其特征在于，所述方法包括：对多个图片内的目标进行标记处理，生成目标检测数据；并将所述目标检测数据划分为训练集、测试集；将所述测试集通过训练模型进行推理，生成推理结果；将所述推理结果与所述训练集的真值进行配对，获得真正例、假正例、假反例；分别计算所述真正例、假正例、假反例的错误得分，并根据所述错误得分对多个图片进行处理；其中，所述训练模型通过目标检测算法对训练集训练获得。2.根据权利要求1所述的一种用于目标检测的数据错误评分方法，其特征在于，所述对多个图片内的目标进行标记处理，包括：将图片内的目标通过边界框进行标记，并标注当前边界框的目标类别，生成目标检测数据。3.根据权利要求2所述的一种用于目标检测的数据错误评分方法，其特征在于，所述训练集与所述测试集的比例为8:2或者所述训练集与所述测试集的比例为7:3。4.根据权利要求1所述的一种用于目标检测的数据错误评分方法，其特征在于，所述目标检测算法包括YOLO系列算法、RCNN系列算法中任一种。5.根据权利要求1所述的一种用于目标检测的数据错误评分方法，其特征在于，所述推理结果包括每个目标检测数据的目标类别、边界框坐标、置信度。6.根据权利要求5所述的一种用于目标检测的数据错误评分方法，其特征在于，所述将所述推理结果与训练集的真值进行配对，获得真正例、假正例、假反例，包括：多个所述推理结果按照置信度进行降序排列；将所有推理结果与训练集计算交并比；根据所述交并比、推理结果的置信度，获得真正例、假正例、假反例。7.根据权利要求6所述的一种用于目标检测的数据错误评分方法，其特征在于，所述根据所述交并比、推理结果的置信度，获得真正例、假正例、假反例，将所述推理结果中置信度小于第二阈值判断判定为真反例；选择所述交并比大于第一阈值且置信度最大的推理结果，与当前训练集组成真正例；将交并比小于等于第一阈值的训练集判定为假反例；将没有配对的推理结果判定为假正例。8.根据权利要求6所述的一种用于目标检测的...

【专利技术属性】
技术研发人员：杨鑫，贾楠，徐倩，
申请(专利权)人：惠州市德赛西威汽车电子股份有限公司，
类型：发明
国别省市：