基于稀疏标注数据集的新型目标检测方法与系统技术方案

本发明专利技术公开了一种基于稀疏标注数据集的新型目标检测系统，教师检测器在训练期间不回传梯度，而仅在每次训练迭代结束时通过指数滑动平均方式更新参数，由指数滑动平均更新的教师检测器是双输入端口的副教师检测器的平滑版本；教师检测器输入图像是原始图像，即原始图像被馈送到教师检测器以生成教师伪标签集，弱增强和强增强图像被馈送到两个输入端口的副教师检测器以生成原始伪标签集；每个原始伪标签集由教师检测器的输出的伪标签集联合稀疏标注框进行修正和整合，最后用修正整合完的标注框对副教师检测器的预测输出进行监督。本发明专利技术还公开了相应的基于稀疏标注数据集的新型目标检测方法。型目标检测方法。型目标检测方法。

【技术实现步骤摘要】
基于稀疏标注数据集的新型目标检测方法与系统


[0001]本专利技术属于深度学习和计算机视觉
，更具体的，涉及一种基于稀疏标注数据集的新型目标检测方法与系统。

技术介绍

[0002]目标检测作为计算机视觉的基本任务，要求检测器预测输出图像中所有前景目标的边界框和目标类别。近来，随着深度卷积神经网络的快速发展，出现了大量目标检测方法，这些方法的性能很大程度上依赖于完全标注的目标检测数据集。然而，对每个图像中可能存在的前景目标进行详尽的标记既困难又昂贵，而且不完整的框标注往往会导致目标检测器性能的下降。
[0003]常用的目标检测器通常能在完全标注数据集的监督学习下获得很好的结果。但是，当数据集包含大量图像和类别时，标注所有给定的目标实例(尤其是在拥挤的场景中)变得非常困难。在工业数据集中，标注的成本和标注的难度往往会很大程度上影响数据集标注的质量，而对于标注不完全，即存在稀疏标注的数据集来说，采用一般的目标检测方法得到的结果往往不尽人意，因为未标记的物体将在训练期间对检测器提供不正确的监督信号，检测器将逐渐收敛到次优超平面，该超平面趋本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于稀疏标注数据集的新型目标检测系统，其特征在于，包括基于指数滑动平均的教师检测器和一个双图片输入端口的副教师检测器，其中：教师检测器在训练期间不回传梯度，而仅在每次训练迭代结束时通过指数滑动平均方式更新参数，由指数滑动平均更新的教师检测器是双输入端口的副教师检测器的平滑版本；教师检测器和双输入的副教师检测器的输入图像分别是原始的、弱增强的和强增强的，其中教师检测器输入图像是原始图像，即原始图像被馈送到教师检测器以生成教师伪标签集，弱增强和强增强图像被馈送到两个输入端口的副教师检测器以生成原始伪标签集；每个原始伪标签集由教师检测器的输出的伪标签集联合稀疏标注框进行修正和整合，最后用修正整合完的标注框对副教师检测器的预测输出进行监督。2.如权利要求1所述的基于稀疏标注数据集的新型目标检测系统，其特征在于，所述教师检测器和副教师检测器均采用全卷积单级目标检测器FCOS实现。3.如权利要求1或2所述的基于稀疏标注数据集的新型目标检测系统，其特征在于，教师检测器和双输入的副教师检测器的输入图像分别是原始的、弱增强的和强增强的，通过两个单级目标检测器FCOS预测输出三组分类分数图、偏移量图和中心度图。4.如权利要求1或2所述的基于稀疏标注数据集的新型目标检测系统，其特征在于，根据各个分支输出的预测图生成具有类别信息和位置信息的三组伪标签集合，即通过滤除目标分数较低的伪标签框和重叠度较大的冗余框得到最后的伪标签集合，依照教师网络的伪标签集合和已有的稀疏标注框集合，对副教师网络的两个分支A和B输出的伪标签集合进行修正操作，尽可能的滤除其中出现的错误类别信息或错误位置信息的伪标签框，输出两个分支各自的监督信号，以监督副教师网络输出的预测值。5.如权利要求4所述的基于稀疏标注数据集的新型目标检测系统，其特征在于，所述目标分数为分类分数x中心度。6.如权利要求1或2所述的基于稀疏标注数据集的新型目标检测系统，其特征在于，副教师网络的参数由监督信号和预测输出之间的损失函数回传的梯度进行更新，教师网络的参数由指数滑动平均EMA方式进行更新。7.一种基于稀疏标注数据集的新型目标检测方法，其特征在于，所述方法包括如下步骤...

【专利技术属性】
技术研发人员：李特，顾建军，吴连俊，王兴刚，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：