一种图像的重要样本挖掘方法及特征图像检测方法技术

一种图像的重要样本挖掘方法及特征图像检测方法，包括，获取目标任务的样本图像中未标注的样本图像，并输入重要样本挖掘网络；对于任意一个未标注的样本图像，经目标任务网络的多层特征提取层抽取处理后输出每一层的特征抽取处理结果；将每一层的特征抽取处理结果一一对应输入预测损失网络的多个多尺度特征抽取子网络，经处理后得到多个多尺度特征抽取结果；将多个多尺度特征抽取结果进行通道融合处理，并将通道融合后的特征图像输入全连接层进行全连接处理后得到任意一个未标注的样本图像的预测损失值pLoss；获取所有预测损失值pLoss中前K个数值最大的所对应的样本图像作为重要样本。具有降低样本标注数量，提升特征图像检测性能的特点。图像检测性能的特点。图像检测性能的特点。

【技术实现步骤摘要】
一种图像的重要样本挖掘方法及特征图像检测方法


[0001]本申请涉及图像处理
，具体涉及一种图像的重要样本挖掘方法及特征图像检测方法。

技术介绍

[0002]在基于机器主动学习的场景中，需要采集大量的样本图像，并对样本图像进行人工标注，标注的成本较高，尤其是需要进行大量样本图像标注的场景中，例如在实际的工业生产场景中，需检测的工业图像呈现“数量多，分辨率大”的特点。完成对图像的检测任务，需要对获取的样本图像以人为的方式给予相应的标签。
[0003]一方面，标注的样本图像基本重要性等级一致，缺乏代表性与针对性，导致最终的检测性能效果有限，瓶颈难以突破。另一方面，对于图像的检测任务，经常会出现漏检和误检的情况，解决这个问题的一般处理方式是，在目标任务网络训练结束后，探究样本的推理结果，挑选被目标模型漏检和误检的样本，然后将这些样本或者类似样本打上标注并加入到训练样本集，然后以一定的方式增加目标模型对这些样本的关注度，重新训练目标模型，以完成检测任务。对于企业来说，整个过程费事费力，且数据的标注成本较高。
专利
技术实现思路

本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像的重要样本挖掘方法，其特征在于，包括，获取目标任务的样本图像中未标注的样本图像；将所述未标注的样本图像输入重要样本挖掘网络，所述重要样本挖掘网络包括目标任务网络和预测损失网络；对于任意一个未标注的样本图像，经目标任务网络的多层特征提取层抽取处理后输出每一层的特征抽取处理结果；所述目标任务网络为将目标任务的样本图像中的部分样本图像标注后作为训练样本图像对目标任务网络进行训练后的特征图像检测网络，经训练后能够通过对输入图像进行多层特征提取层抽取处理后得到用于特征图像检测的检测结果；将所述的每一层的特征抽取处理结果输入所述预测损失网络，所述预测损失网络包括多个多尺度特征抽取子网络及全连接层；将所述的每一层的特征抽取处理结果一一对应输入所述多个多尺度特征抽取子网络，经处理后得到多个多尺度特征抽取结果；将所述多个多尺度特征抽取结果进行通道融合处理；将通道融合后的特征图像输入所述全连接层进行全连接处理后得到所述任意一个未标注的样本图像的预测损失值pLoss；获取得到的所有预测损失值pLoss，并获取所有预测损失值pLoss中前K个数值最大的所对应的样本图像作为重要样本。2.根据权利要求1所述的方法，其特征在于，所述的将所述的每一层的特征抽取处理结果一一对应输入所述多个多尺度特征抽取子网络，经处理后得到多个多尺度特征抽取结果，包括：对于任意一层的特征抽取处理结果，作为输入经全局平均池化处理后得到第一特征图；将所述第一特征图经全连接处理后得到第二特征图；将所述第二特征图经去线性化处理后得到多尺度特征抽取结果。3.如权利要求1所述的方法，其特征在于，按照预设比例获取所有预测损失值pLoss中前K个数值最大的所对应的样本图像作为重要样本。4.如权利要求1到3之一所述的方法，其特征在于，所述重要样本挖掘方法所基于的重要样本挖掘网络根据总损失函数Loss采用反向传播算法进行训练得到，所述总损失函数Loss由第一损失函数Loss1和第二损失函数Loss2共同确定；所述第一损失函数Loss1为目标任务网络的损失函数，第二损失函数Loss2由预测损失值pLoss和第一损失值tLoss的趋势一致性及需满足的要筛选的样本图像的重要性判断边界系数确定。5.如权利要求4所述的方法，其特征在于，所述总损失函数Loss根据如下表达式确定：Loss= Loss1+λLoss2；其中，λ为尺度系数，根据实际需求进行设置。6.如权利要求4所述的方法，其特征在于，所述重要样本挖掘网络的训练方法...

【专利技术属性】
技术研发人员：曾利宏，杨洋，黄淦，翟爱亭，
申请(专利权)人：深圳市华汉伟业科技有限公司，
类型：发明
国别省市：