一种融合分类和回归概率分布的主动目标检测方法技术

一种融合分类和回归概率分布的主动目标检测方法，属于计算机技术领域，YOLOX目标检测网络的改进，YOLOX目标检测网络损失函数的改写，主动学习采样策略与采样方式的设计，对挑选出来的未标注数据进行专家标注，将更新后的标注数据集重新训练更新检测网络的分类决策边界，并依据当前最优模型在测试集上的表现以及是否达到标注预算决定是否进行下一周期的迭代采样，利用最后得到的最优检测网络进行目标检测。大大减少了目标检测任所需的数据标注量，节省了标注成本，能有效挑选图像中分类和回归不确定度高的样本，有利于模型的性能的提升。升。升。

【技术实现步骤摘要】
一种融合分类和回归概率分布的主动目标检测方法


[0001]本专利技术属于计算机
，是基于YOLOX提出了一种目标检测算法，高斯YOLOX，特别是一种估计高斯YOLOX输出特征图概率分布来降低标注需求的目标检测方法。

技术介绍

[0002]在计算机视觉领域中，目标检测是许多任务的基础，如自动驾驶、行人识别、安防系统和人脸检测等。
[0003]然而，获得一个性能优秀的目标检测网络需要成千上万的标注数据集支持。与图像分类任务不同，目标检测任务的标注工作更复杂，标注成千上万的目标检测数据集不仅耗费大量的人力和时间成本，且重复性的标注工作难免会造成错误标注问题，因此近些年，研究者尝试将深度学习和主动学习结合起来，叫深度主动学习。
[0004]主动学习旨在用少量信息量丰富的标注数据实现高性能网络。主动学习让机器学习模型通过模型已有的知识自己主动在未标注集中挑选信息量丰富的未标注数据。在减少标注量的同时实现高性能网络。
[0005]目前主动学习的研究主要集中在图像分类任务上，主动学习在目标检测任务上的研究比较少，然而，目标检测任本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合分类和回归概率分布的主动目标检测方法，其特征在于包括如下步骤：步骤1，构建主动目标检测网络模型架构；步骤2，初始数据准备：在未标注数据中选择标注初始数据集，然后标注测试集；确定主动学习每周期迭代采样未标注图像数量，然后再确定前景目标初始阈值；剩余未标注数据用于主动学习周期迭代采样；步骤3，更新或初始化模型：使用初始数据集初始化模型或使用已有的标注数据更新检测网络的分类决策边界；步骤4，评估模型：根据现有最优模型在测试集上的表现是否达标或主动学习标注量是否达到标注预算，判断是否继续进行主动学习；若继续则进入步骤5，否则使用当前周期最优模型进行检测；步骤5，模型前向推理：将剩余的未标注数据通过步骤4中的最优检测网络前向推理得到检测网络输出特征图中每个特征点的回归方差、分类、回归和置信度结果；步骤6，回归不确定度：将步骤5中分类和置信度的结果与前景目标阈值比较得到前景目标的信息，并以前景目标的回归方差作为前景目标的回归不确定度；步骤7，分类不确定度：用步骤5中前景目标的最高分类得分减去次高分类得分得到分类不确定度；步骤8，图像的不确定度：以步骤6中前景目标的回归不确定度和步骤7中的前景目标分类不确定度之和作为未标注图像中每个前景目标的不确定度，以未标注图像中每个前景目标的不确定度之和作为未标注图像的不确定度；步骤9，主动标注：选择标注步骤8中不确定度最大的前k张未标注图像，k由步骤2中每周期采样未标注图像数量得到；步骤10，数据更新：更新数据集和前景目标阈值，将步骤9中标注的图像从未标注集中去除，将步骤9中标注的图像加入到训练集并回到步骤3继续主动学习。2.根据权利要求1所述的一种融合分类和回归概率分布的主动目标检测方法，其特征在于包括如下步骤：步骤1
‑
1，针对图像特征提取部分，选取CSPDarknet
‑
53作为特征提取骨干网络；步骤1
‑
2，针对特征融合部分，提取YOLOX主干网络最后三层卷积块的输出用于特征融合，选取PAFPN作为检测颈部特征融合的FPN；步骤1
‑
3，针对分类回归预测部分，选取混合密度网络(Mixture Density Network,MDN)作为YOLOX检测头，分别选取高斯分布函数、二值交叉熵函数作为回归和分类损失函数，将上述改进的YOLOX重新命名为：高斯YOLOX；高斯YOLOX回归损失函数为：其中N代表SimOTA为输出特征图中前景目标中心对应的特征点匹配的正负样本预测框个数，代表高斯分布函数，k代表回归混合密度网络个数，π
reg
代表回归混合密度网络拟合的高斯混合模型的权重，μ
iou
代表预测框与真实框的交并比(Intersection over union，IOU)均值，∑
reg
代表预测框与真实框交并比的方差，ε代表保证对数数值稳定性的一个小正
数，log为自然对数；高斯YOLOX分类损失函数为：其中N代表SimOTA为输出特征图中前景目标中心对应的特征点匹配的分类正负样本个数；k代表分类混合密度网络个数，π
cls
代表分类混合密度网络拟合的高斯混合模型的权重，y
cls
代表分类预测目标，代表分类预测目标，代表高斯分布函数，μ
cls
代表分类高斯混合模型的均值，∑
cls
代表分类高斯混合模型的方差，log为自然对数；置信度损失函数为：其中N代表SimOTA为输出特征图中前景目标中心对应的特征点匹配的置信度正负样本个数，k代表置信度混合密度网络个数，π
obj
代表置信度混合密度网络拟合的高斯混合模型的权重，y
obj
代表置信度预测目标，μ
obj
代表置信度高斯混合模型的均值，∑
obj
代表置信度高斯混合模型的方差，log为自然对数；总损失函数为：L＝L
reg
+L
cls
+L
obj
本发明将上述改进的模型命名为高斯YOLOX。3.根据权利要求1所述的一种融合分类和回归概率分布的主动目标检测方法，其特征在于包括如下步骤：步骤2包括：步骤2
‑
1，针对已有的数据集，根据主动学习的特点，在未标注数据中随机标注6％的数据用于主动学习第一个周期初始化网络知识；步骤2
‑
2，在步骤2
‑
1剩余的未标注数据中随机标注30％的数据作为测试集，剩余未标注数据集用于主动学习周期循环采样；步骤2
‑
3，设前景目标初始阈值为：Thresh＝0.1。4.根据权利要求1所述的一种融合分类和回归概率分布的主动目标检测方法，其特征在于包括如下步骤：步骤3包括：步骤3
‑
1：针对步骤1构建的网络模型，对骨干网络部分进行参数初始化，使用YOLOX在COCO数据集上训练得到的模型进行参数初始化；针对检测颈部和检头部分使用随机初始化；步骤3
‑
2：使用已有标注数据在步骤3
‑
1的基础上更新网络的分类决策边界。5.根据权利要求1所述的一种融合分类和回归概率分布的主动目标检测方法，其特征在于包括如下步骤：步骤4包括：步骤4
‑
...

【专利技术属性】
技术研发人员：曹玉东，廖鑫林，贾旭，
申请(专利权)人：辽宁工业大学，
类型：发明
国别省市：