一种基于CAM的多阶段弱监督火焰位置检测方法技术

本发明专利技术公开了一种基于CAM的多阶段弱监督火焰位置检测方法，属于图像目标检测领域。本发明专利技术通过多层特征融合结构来生成CAM热力图，并通过骨干网络的顶层特征与多层融合特征的联合火焰分类训练，使得模型能够准确提取用于目标定位的CAM热力图，从而在不使用位置标签的弱监督情况下获得接近全监督条件下的火焰目标定位准确度。该方法可以在仅收集火焰图像与非火焰图像，依靠类别标签图像完成对火焰位置的推断，避免了对位置标签的依赖，极大减少了深度学习目标检测方法在火焰检测领域应用的数据获取成本。的数据获取成本。的数据获取成本。

【技术实现步骤摘要】
一种基于CAM的多阶段弱监督火焰位置检测方法


[0001]本专利技术设计基于深度神经网络的火焰检测领域，具体是一种基于CAM的多阶段弱监督火焰位置检测方法。

技术介绍

[0002]在安全领域中，火焰检测是非常重要的一项技术。常见的火焰检测方式有烟感报警器，红外线传感器等。以上方式虽然在准确度上有一定保障，但受限于感知范围，无法进行大规模低成本的部署。如森林防火，大型工厂这样的大面积开放区域难以应用以上物理手段。
[0003]深度学习神经网络技术在图像目标检测领域获得了很大成功，如FastRCNN、YOLO等系列算法在准确度上已有了不错的成果。但由于深度学习方法非常依赖大量数据的反复训练，因此各类方法在火焰检测的应用上也存在一些限制。训练数据的获取成本仍是阻碍深度学习技术，尤其是目标检测相关技术在火焰检测领域应用的瓶颈。
[0004]在获得原始图像数据之后，为了完成检测，需要对物体目标进行分类和定位两大步骤。两大步骤均需要准确的标注信息以供深度学习神经网络进行训练学习。相比于类别标注仅需人工选择类别，位置标注由于需要人手工画出方框本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CAM的多阶段弱监督火焰位置检测方法，其特征在于，包括以下步骤：S1、获取训练集，所述训练集中具有包含火焰和不包含火焰的两类图像数据，并预先对每张图像中是否包含火焰进行标注；S2、以Resnet为骨干网络，在骨干网络基础上增加多层特征融合结构以形成CAM热力图，并将CAM热力图输入分类头进行图像中是否包含火焰的二分类，从而形成分类模型；利用所述训练集对分类模型进行顶层特征与多层融合特征的联合火焰分类训练；S3、利用训练完成的分类模型在训练集上生成每张图像对应的CAM热力图，并对CAM热力图中各点热力值使用自然断点法，确定背景阈值，从而得到火焰目标范围，再通过取外接矩形得到训练集中每张图像对应的火焰位置框；S4、以得到的火焰位置框为标签，利用训练集对retinanet全监督目标检测网络进行迭代训练直至收敛，训练好的retinanet全监督目标检测网络直接用于图像的火焰位置检测。2.根据权利要求1所述的基于CAM的多阶段弱监督火焰位置检测方法，其特征在于，所述S1中，训练集中的图像数据进行标注时，仅标注是否包含火焰，而无需标注火焰具体位置。3.根据权利要求1所述的基于CAM的多阶段弱监督火焰位置检测方法，其特征在于，所述S2的具体步骤如下：S201、以Resnet为骨干网络，并在Resnet最后三层基础上增加多层特征融合结构，对Resnet输出的最后三层特征图分别进行全局平均池化，然后经过1
×
1卷积统一调整到128维向量，三个128维向量对应位置相乘得到融合向量；融合向量经过1
×
1卷积分别调整到与Resnet输出的最后三层特征图相同的维度大小后与对应特征图相乘，然后将相乘得到的三个特征图经过1
×
1卷积或者1
×
1卷积与最近邻上采样的组合统一调整到128维和相同尺寸，最后将调整后的三个特征图进行对应位置相乘得到融合特征图；所述融合特...

【专利技术属性】
技术研发人员：谢磊，李明，苏宏业，
申请(专利权)人：浙江大学，
类型：发明
国别省市：