一种面向边角类别图像的稳健检测方法技术

本发明专利技术公开一种面向边角类别图像的稳健检测方法，用于提升机器学习算法在测试阶段检测边角类别(Corner Class)图像的能力，一方面防止了模型边角类别图像的错误预测，另一方面降低了边角类别图像的人工标注成本。本发明专利技术主要的技术方案包括从目标数据集中提取图像间内蕴的分类判别信息，结合有限的标注图像，建立能够稳健检测未见边角类别图像的机器学习模型。其中，提取上述判别信息结合1)自监督学习技术构建初始特征表示；2)进一步提取图像间内蕴的相似性结构。本发明专利技术具有图像标注量需求低、算法实现简单等特点，稳健提升了机器学习模型付诸于边角类别图像的检测能力。模型付诸于边角类别图像的检测能力。模型付诸于边角类别图像的检测能力。

【技术实现步骤摘要】
一种面向边角类别图像的稳健检测方法


[0001]本专利技术涉及一种面向边角类别(corner class)图像的稳健检测方法，属于机器学习
和图像分类应用领域。

技术介绍

[0002]近年来，以深度学习为代表的机器学习技术在诸多图像分类任务中展现出卓越性能。然而，上述技术的成功主要聚集于频繁、同分布的类别图像，对于少见、分布外的边角类别(corner class)图像，分类性能不再有效，有时还会显著下降，难稳健。这主要包括两个方面的原因：一是边角类别图像难以事先预料，模型构建阶段难覆盖周全，容易出现误判；二是即使事先能够收集到边角类别的标注图像，其数量显然不会充分，分类效果仍力有不逮。综上，学习模型对边角类别图像易误判错判，付诸现实应用将带来严重安全隐患。例如，模型在交通路口若将带有绿色图案的广告牌识别为代表通行的绿色信号灯，车祸风险将剧增。因此，提升机器学习模型对于边角类别图像的检测能力和稳健性，减少误判，已成为当前机器学习模型付诸真实世界的一个关键问题。
[0003]近几年学术界与工业界对此开始展开研究。然而，既有工作要么需依本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向边角类别图像的稳健检测方法，其特征在于，包括：1)获取目标任务的图像数据集，所述图像数据集中仅少量图像样本需要被标注；2)使用自监督学习技术为所述图像数据集训练自监督学习模型，建立图像的初始特征表示；3)利用所述初始特征表示与基于马氏距离的样本间距离度量技术，构建所述数据集内图像样本间的局部相似性结构；4)利用所述图像样本间的局部相似性结构和结构优化投影技术，训练将样本从初始特征表示空间投影到边角类别图像检测空间的投影函数；5)将自监督学习模型与投影函数作为目标数据集上的检测边角类别图像的机器学习模型。2.根据权利要求1所述的面向边角类别图像的稳健检测方法，其特征在于，所述获取目标任务的图像数据集，包括对目标任务的图像数据集的预处理并对图像数据集中的少量图像进行标注。3.根据权利要求1所述的面向边角类别图像的稳健检测方法，其特征在于，所述使用自监督学习技术为所述图像数据集训练自监督学习模型，并建立图像的初始特征表示；所述自监督学习技术为：采用SimCLR算法训练并得到的基于深度学习的特征表示，即利用对比学习与数据增广技术，通过构造正负样本对来指导表示空间的学习，得到能够在下游任务中通用的特征表示。4.根据权利要求1所述的面向边角类别图像的稳健检测方法，其特征在于，所述利用初始特征表示构建图像数据集中样本间的局部相似性结构，构建样本间的局部相似性结构的过程为：利用初始特征表示与马氏距离度量样本间距离，再基于K近邻算法构建样本间的局部相似性结构。5.根据权利要求1所述的面向边角类别图像的稳健检测方法，其特征在于，所述4)中，结构优化投影技术：在所投影的检测空间中保持样本之间的局部相似性结构，拉伸不存在局部相似关系的样本对间的距...

【专利技术属性】
技术研发人员：李宇峰，周植，金苡萱，程战战，
申请(专利权)人：上海高德威智能交通系统有限公司，
类型：发明
国别省市：