【技术实现步骤摘要】
一种融合信息瓶颈和不确定性感知的可信目标检测方法
[0001]本专利技术涉及目标检测技术,特别是一种融合信息瓶颈和不确定性感知的可信目标检测方法。
技术介绍
[0002]目标检测是计算机视觉中的一个热门任务,基于深度学习的目标检测模型,如Faster R
‑
CNN,YOLO和CenterNet在自动驾驶、缺陷检测等场景中产生了巨大的应用价值。然而,在过去的十年,虽然各种目标检测方法在基准数据集上的性能不断被刷新,但是在实际环境中,由于可能出现训练期间未见过的物体、恶劣的天气环境、不同的光照条件等,导致模型的部署仍然具有挑战。在训练数据中包含每一种场景是不切实际的,因此,能够准确感知环境的不确定性,并提供有关检测结果可信度量对风险敏感领域的目标检测模型至关重要。
[0003]现有目标检测模型往往使用softmax函数输出预测的类别概率,并将其称为分类置信度,并将输出的预测框与真实框之间的IOU称为回归置信度。但是上述置信度并不能很好地反映检测结果的可信程度,以分类置信度为例,即使对于错误的检测,现有模型往往也会输出较高的置信度,无法做到“知道自己不知道”。
[0004]不确定性估计是衡量检测结果可信程度的有效方法。目标检测任务中的不确定性可以分为数据不确定性和模型不确定性。数据不确定性主要来源于真实数据中的固有噪声,模型不确定性则来源于模型参数的不确定性。有些工作尝试使用贝叶斯神经网络建模模型不确定性,并假设数据噪声服从高斯分布,通过预测高斯分布的方差来感知数据不确定性。然而,现实场景 ...
【技术保护点】
【技术特征摘要】
1.一种融合信息瓶颈和不确定性感知的可信目标检测方法,其特征在于,包括以下步骤:S1:获取训练样本集:收集带标注的图像数据,并构建目标中心点热图用于训练;S2:建模训练数据噪声服从混合高斯分布;S3:构建特征提取器、不确定性感知的目标分类头、不确定性感知的检测框宽高回归头以及目标中心点偏置头;S4:使用期望最大化算法构造融合数据不确定性的损失函数;S5:引入信息瓶颈理论,对损失函数添加信息瓶颈正则化项;S6:使用帕累托优化理论自适应加权各损失项,通过多梯度下降算法更新模型参数;S7:测试阶段,打开Dropout功能,对同一测试样本进行多次检测,输出检测结果、数据不确定性以及整体的模型不确定性作为检测结果的可信度量。2.根据权利要求1所述的一种融合信息瓶颈和不确定性感知的可信目标检测方法,其特征在于,步骤S2中所述的噪声包括目标中心点热图噪声和目标检测框宽高噪声。3.根据权利要求1所述的一种融合信息瓶颈和不确定性感知的可信目标检测方法,其特征在于,步骤S4中所述的损失函数包括目标分类损失函数和检测框宽高损失函数。4.根据权利要求1所述的一种融合信息瓶颈和不确定性感知的可信目标检测方法,其特征在于,所述步骤S2具体为:S2.1:建模标签热图Y中噪声服从均值为零方差为的混合高斯分布:;式中,表示热图第c个通道中(x,y)坐标像素值对应的噪声,表示由第k个均值为0方差为的高斯分布生成的权重概率;S2.2:建模目标p对应的检测框宽高噪声服从均值为零、方差分别为和的混合高斯分布:;;式中, 表示由第k个均值为0方差为的高斯分布生成的权重概率,表示由第k个均值为0方差为的高斯分布生成的权重概率。5.根据权利要求1所述的一种融合信息瓶颈和不确定性感知的可信目标检测方法,其特征在于,所述步骤S3具体为:S3.1:构建特征提取器r(X)获取输入图像X的多尺度表征Z;S3.2:构建目标中心点分类头f
xyc
(Z),其与标签热图像素y
xyc
满足,即:;
设计目标分类头在输出预测均值f
xyc
的同时,输出预测方差,以及预测权重概率;S3.3:构建目标检测框宽高回归头,其与检测框宽高满足,其中,,输出为预测的宽高列向量;假设目标检测框宽高之间相互独立,则:,;构建目标检测框宽高回归头输出预测宽高均值的同时,输出方差向量以及权重概率向量,其中,;S3.4...
【专利技术属性】
技术研发人员:朱峰,孙华,朱江,张义武,赵红,韩东,乐意,陆中祥,孙镱诚,丁阳,肖志川,秦柳兰,孙浩,
申请(专利权)人:中国电子科技集团公司第二十八研究所,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。