基于teacher-student模型的半监督目标检测方法技术

提供了基于teacher

【技术实现步骤摘要】
基于teacher
‑
student模型的半监督目标检测方法


[0001]本专利技术涉及图像处理和计算机视觉领域，特别是涉及半监督学习下的目标检测方法。

技术介绍

[0002]目标检测(Object Detection)是计算机视觉和数字图像处理的一个热门方向，广泛应用于机器人导航、智能视频监控、工业检测、航空航天等诸多领域，通过计算机视觉减少对人力资本的消耗，具有重要的现实意义。因此，目标检测也就成为了近年来理论和应用的研究热点，它是图像处理和计算机视觉学科的重要分支，也是智能监控系统的核心部分，同时目标检测也是泛身份识别领域的一个基础性的算法，对后续的人脸识别、步态识别、人群计数、实例分割等任务起着至关重要的作用。与图片分类任务相比，目标检测多出一个回归任务，即不仅要用算法判断图片中是否存在对象，还要在图片中标记出它的位置，对图像上标注的标定框进行回归预测。
[0003]近年来，由于深度学习的广泛运用，目标检测算法得到了较为快速的发展。然而通常目标检测模型是基于大量人工精确标注的数据集训练的，这些方法要求每一张训练本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于teacher
‑
student模型的半监督目标检测方法，其特征在于，包括以下步骤：第一步，获取半监督目标检测数据集D，其中，半监督目标检测数据集D的元素来源于有标注数据集D
L
和无标注数据集D
U
；获取有标注数据集N为有标注数据集中样本的数目，其样本的集合记为记为分别为第1，2，
…
，N个样本；相应的标注的集合记为，N个样本；相应的标注的集合记为分别为对应的标注信息，对于D
L
中每一个元素中每一个元素可记为由样本和标注形成的二元组i为正整数；获取无标注数据集M为无标注数据集中样本的数目对于D
U
中每一个元素个元素可记为由样本和标注形成的二元组形成的二元组来自于无标注样本集合集合来自于无标注样本的标注集合其中Y
U
为其中的元素也为空，在接下来生成伪标签的步骤中为元素赋值；第二步，在有标注数据集D
L
上按照全监督目标检测方法，对于每个输入的样本用模型预测样本的标注，使之和真实标注尽量保持一致，通过优化损失函数训练得到teacher模型；
‑
第三步，利用的teacher模型，对无标签数据X
U
做预测，将得到的预测结果进行置信度阈值过滤后生成伪标签，并用伪标签更新标注集合Y
U
；第四步，对无标注样本集合X
U
进行数据增强，包括遮挡、平移、旋转、翻转、颜色变换、色彩抖动和/或高斯模糊，得到的集合记为记为对第三步中更新后的标注集合Y
U
也做相应调整，将调整后的标注集合记为得到扩充无标签数据集第五步，训练student模型；训练起始时将teacher模型的全部参数赋值给student模型初始化，并让student模型在扩充后的全部数据集上再次训练；训练时，在每个批次中将D
L
与两部分数据进行一定比例的混合，作为一个批次的数据送入student模型，并以标注集合Y
L
和前述步骤中生成的集合作为监督信息进行训练，计算并优化损失函数，得到student模型；还利用一致正则化对扩充无标签数据集在训练中产生的损失函数作约束；迭代训练数个轮次，直至模型损失函数收敛至稳定结果；第六步，将student模型的权重参数θ
s
以指数滑动平均的方式更新至teacher模型的权重θ
t
中；该步骤要求：对于student模型中全部可以训练的参数θ
s
，以的公式将teacher模型权重θ
t
迭代更新，其中j为当前迭代次数，a为参数更新权重；第七步，按照第三步至第六步的操作进行数轮迭代，每一轮迭代中将teacher模型输出的集合作为监督信息训练student模型，并将student模型参数更新至teacher模型中，在下一轮迭代中使用更新的teacher模型对X
U
重新预测，将生成的结果作为新的伪标签信息监督student模型的训练；如此循环往复，直至student模型损失函数在迭代中收敛稳定；以最终的teacher模型作为所述基于teacher
‑
student模型的半监督目标检测方法...

【专利技术属性】
技术研发人员：王磊，王瑞生，白洋，张依漪，
申请(专利权)人：北京京航计算通讯研究所，
类型：发明
国别省市：