基于一致性正则化和分布对齐的半监督视频火灾检测方法技术

本发明专利技术提供了一种基于一致性正则化和分布对齐的半监督视频火灾检测方法，属于图像处理技术领域，该方法首先结合一致性正则化与伪标签，对于无标注数据，模型预测其弱增强样本并保留高于阈值的伪标签，同时在对应的强增强样本上进行训练以预测这些伪标签，以学习更加鲁棒的特征表示；再通过对抗分布对齐利用标注和无标注数据生成视频交叉集增强样本，在扩展训练样本的同时减轻了标注数据与无标注数据的抽样经验分布差异所带来的影响；最后引入公平性损失以鼓励模型在训练期间为输入样本做出不同的预测，以解决火灾分类场景中由于有限标注数据导致的非火灾类置信度过高的问题

【技术实现步骤摘要】
基于一致性正则化和分布对齐的半监督视频火灾检测方法


[0001]本专利技术涉及图像处理
，特别是涉及一种基于一致性正则化和分布对齐的半监督视频火灾检测方法
。

技术介绍

[0002]火灾由于其快速的传播能力以及强大的破坏力被认为是最危险的灾害之一
。
火灾不仅可能导致人员伤亡，还可能造成财产损失
、
环境污染和社会影响等一系列问题
。
每年全球都会发生大量的火灾事件，其中许多都是由于一些人为或自然原因引起的
。
根据一项
2021
年的研究报告，从
2001
年到
2022
年印度中部地区的森林火灾次数高达
77000
余次，反复发生的火灾对附近的患有呼吸性疾病的居民构成了极大的健康威胁，对当地的生态环境以及经济建设造成了严重的影响
。
另外，建筑火灾的发生频率要远比森林火灾高得多，根据一项报告称，仅
2017
年全球
18
个城市记录在案的建筑火灾事件共发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于一致性正则化和分布对齐的半监督视频火灾检测方法，其特征在于，包括以下步骤：通过数据源端提取视频图像，并获取目标视频数据集，所述目标视频数据集包括标注数据和无标注数据；利用
3D CNN
网络对所述标注数据进行特征提取，并根据提取结果训练得到一个分类器以及一个预测头；对所述无标注数据进行强增强和弱增强，得到强增强样本和弱增强样本；利用共享权重的
3D CNN
网络对所述强增强样本和所述弱增强样本分别进行特征提取，利用所述预测头对提取结果进行预测值输出，并利用一致性正则化方法将所述共享权重的
3D CNN
网络与强增强的预测值及弱增强的自适应伪标签进行匹配；通过对抗分布对齐方法，利用所述标注数据和所述无标注数据生成插值的视频交叉集增强样本，并利用匹配好的共享权重的
3D CNN
网络对所述视频交叉集增强样本进行模型训练，且在所述模型训练的过程中引入公平性损失对所述匹配好的共享权重的
3D CNN
网络进行优化，以得到火灾半监督模型；利用所述火灾半监督模型对获取的检测数据进行处理，得到火灾检测结果
。2.
根据权利要求1所述的一种基于一致性正则化和分布对齐的半监督视频火灾检测方法，其特征在于，所述标注数据的表示为：所述无标注数据的表示为：其中，
B
代表批量大小，
μ
代表与相对大小的超参数；
x
b
∈R
C
×
T
×
W
×
H
代表有标注样本，
u
b
∈R
C
×
T
×
W
×
H
代表无标注样本，
C∈N
+
代表通道数量，
T∈N
+
代表时序，
W,H∈N
+
代表每一帧下的宽度与高度；
y
b
∈{0,1,
…
,N}
代表真值标签，
N
表示分类的类别数
。3.
根据权利要求2所述的一种基于一致性正则化和分布对齐的半监督视频火灾检测方法，其特征在于，所述无标注数据在前期迭代训练的结果中生成对应的伪标签：
y
′
b
∈{0,1,
…
,N}
其中，
N
表示为分类的类别数
。4.
根据权利要求1所述的一种基于一致性正则化和分布对齐的半监督视频火灾检测方法，其特征在于，对所述无标注数据在进行强增强和弱增强时，包括使用
Ω
(
·
)
表示强增强，并基于
RandAugment
作为数据帧的强增强的策略，得到所述强增强样本
su
b
＝
{
Ω
(ux
t
),t∈(1,...,T)}
，其中，
ux
t
代表视频帧，
T
为帧总数
。5.
根据权利要求4所述的一种基于一致性正则化和分布对齐的半监督视频火灾检测方法，其特征在于，对所述无标注数据进行强增强和弱增强时，还包括：使用
w(
·
)
表示弱增强，将所述无标记样本
u
b
表示为
u
b
＝
{ux
t
,t∈(1,...,T)}
，通过正则化技术中的翻转策略，得到所述弱增强样本
wu
b
＝

【专利技术属性】
技术研发人员：李佐勇，林清华，周晓光，樊好义，曾坤，
申请(专利权)人：闽江学院，
类型：发明
国别省市：