【技术实现步骤摘要】
本专利技术涉及物体检测与主动学习领域，具体涉及一种基于物体回归前后分类一致性的物体检测主动学习方法。
技术介绍
1、随着深度学习的发展，计算机视觉得到了较好的发展，基于深度神经网络的物体检测方法也取得了较好的效果。然而，深度神经网络需要大量的标记样本进行训练，这带来了标注的成本问题。主动学习是一项用来解决标注成本问题的技术，通过模型自主选择样本，主动学习可以大大降低需要标注的样本的数量。因此，有必要将主动学习应用于物体检测问题来减少物体检测问题中的标注成本问题。
2、为了将主动学习应用于物体检测问题，一种直接的方式是采用分类问题中的主动学习方法，通过估计分类结果的不确定性来衡量样本的价值，选择最不确定的样本进行标注。由于缺乏对物体检测中定位性能的评判，这种方法的可解释性较弱，缺乏性能保障。另一种方法是尝试建模物体的定位不确定性，综合考虑物体的分类不确定性和定位不确定性。这种方法往往需要设计额外的模块或是需要特定的网络结构，可扩展性较差。
技术实现思路
1、(一)解决的技术问题
2、针对现有技术的不足，本专利技术提供了基于物体回归前后分类一致性的物体检测主动学习方法，能够同时考虑物体检测问题中物体的分类不确定性和定位不确定性，同时具有方便部署和扩展的特点。
3、(二)技术方案
4、为了解决上述问题，本专利技术设计了一个新的物体回归前后一致性方法来建模物体检测问题中的分类不确定性和定位不确定性。为了实现上述所说的有效对两种不确定性进行建模
5、一种基于物体回归前后分类一致性的物体检测主动学习方法，包括如下步骤：
6、s1：初始条件：给定少量的有标注的图像数据集和大量的无标注图像数据集表示带物体标注的图像样本，标记了中的物体类别和位置信息，表示不带标注的图像样本。具体的其中有标注的图像数据集中图像的数量占数据集中样本量小于等于20％，无标注图像数据集图像的数量占数据集中样本量大于等于20％。
7、s2：在上训练现有物体检测模型。
8、s3：在任意上使用模型进行推理，得到该的物体检测结果其中，表示物体所属的类别；表示物体的分类得分；表示物体的边界框坐标，其为边界框坐标左上角点的横纵坐标和边界框坐标右下角点的横纵坐标构成的一个四维的向量，描述了物体在图像中的位置，中的不同物体用下标i索引；上标ⅰ指明这是模型首次检测。
9、s4：根据得到的每一个物体边界框坐标裁剪并重新生成一张新的图像
10、s5：在上使用模型进行推理，得到的物体检测结果ⅱ表示这是模型第二次检测，中的不同物体用下标j索引。
11、s6：比较两次检测的分类结果，计算得到物体的不确定性
12、s7：综合图像中所有物体的不确定性，得到图像的不确定性
13、s8：根据图像的不确定性值的大小，对无标注图像数据集中的对应的图像进行排序，选择前k个图像中的物体和物体类别进行标注，根据无标注图像数据集中所有图像的不确定性值进行排序，从中选择前k个不确定性值对应的图像进行标注，可以采用人工标注，并将标注后的数据从无标注图像数据集中移除，添加到有标注的图像数据集中，并同时更新有标注的图像数据集和无标注图像数据集。
14、s9：重复s2-s8过程t次，这样，选择过程一共进行了t轮，获取有标注图像t*k个。
15、作为优选，所述s3得到物体检测结果步骤如下：
16、s31：对于将其输入到物体检测模型中，得到模型的检测结果。
17、s32：对于模型的检测结果，通过现有方法转换成一组三元组物体的边界框坐标转换为绝对坐标{x1,y1,x2,y2}，x1,y1分别表示左上坐标点的横纵坐标值，x2,y2分别表示右下坐标点的横纵坐标值。
18、s33：对于模型的检测结果，其中存在低置信度的干扰项，过滤掉分类得分低于阈值θ1的物体，得到最终的物体检测结果
19、作为优选，所述s4重新生成一张新的图像过程如下：
20、对于给定的边界框坐标根据坐标点将物体从原始图像中裁剪出来，重新缩放至原始图像大小，得到新的图像
21、作为优选，所述s5得到图像的物体检测结果过程如下：
22、s51：将采用现有方法，将物体检测模型得到的模型的检测结果转换为三元组
23、s52：过滤掉分类得分低于阈值θ2的物体，得到最终的物体检测结果
24、作为优选，所述s6计算得到物体的不确定性过程如下：
25、s61：对于第i个物体的物体检测结果其重新生成图像后，检测后可能得到多个检测结果提取每一个检测结果。
26、s62：对于给定的两次检测结果和比较两次检测的分类结果，分类结果分为三种：
27、第一次检测得到的物体类别和第二次检测得到的物体类别相同第一次检测得到的物体分类得分小于等于第二次检测得到的物体分类得分
28、第一次检测得到的物体类别和第二次检测得到的物体类别相同第一次检测得到的物体分类得分大于第二次检测得到的物体分类得分
29、第一次检测得到的物体类别和第二次检测得到的物体类别不同
30、s63：对于上述三种情况，计算第i个物体检测得到的第j个物体的回归后对象识别一致性计算过程如下：
31、第i个物体检测得到的第j个物体的对象识别一致性可以由下述公式计算得到：
32、
33、s64：对于第i个物体检测得到的所有物体的回归后对象识别一致性，需要将它们统一成一个物体的不确定性，使用所有一致性中的平均值来表示成为物体的不确定性由下述公式计算得到：
34、
35、其中，n表示物体的数量。
36、作为优选，所述s7图像的不确定性通过如下方法得到：
37、使用所有物体不确定性的最大值来表示成为图像的不确定性由下述公式计算得到：
38、
39、其中m表示所有物体的数量。
40、相对于现有技术，本专利技术至少具有如下优点：
41、本文专利技术的基于物体回归前后分类一致性的物体检测主动学习方法提出了一种新的方法，通过对比物体回归前后的分类一致性，可以同时考虑物体的分类不确定性和定位不确定性。通过这种方式，方法不需要构建额外的模型模块，或是依赖于特定的网络结构，使得我们的方法具有较好的可扩展性和可移植性。
本文档来自技高网...【技术保护点】
1.一种基于物体回归前后分类一致性的物体检测主动学习方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于物体回归前后分类一致性的物体检测主动学习方法，其特征在于：所述S3得到物体检测结果步骤如下：
3.如权利要求2所述的基于物体回归前后分类一致性的物体检测主动学习方法，其特征在于：所述S4重新生成一张新的图像过程如下：
4.如权利要求3所述的基于物体回归前后分类一致性的物体检测主动学习方法，其特征在于：所述S5得到图像的物体检测结果过程如下：
5.如权利要求4所述的基于物体回归前后分类一致性的物体检测主动学习方法，其特征在于：所述S6计算得到物体的不确定性过程如下：
6.如权利要求5所述的基于物体回归前后分类一致性的物体检测主动学习方法，其特征在于：所述S7图像的不确定性通过如下方法得到：
【技术特征摘要】
1.一种基于物体回归前后分类一致性的物体检测主动学习方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于物体回归前后分类一致性的物体检测主动学习方法，其特征在于：所述s3得到物体检测结果步骤如下：
3.如权利要求2所述的基于物体回归前后分类一致性的物体检测主动学习方法，其特征在于：所述s4重新生成一张新的图像过程如下：
4.如权利要求3所...
【专利技术属性】
技术研发人员：王洪星，荆铭，欧志龙，李佳鑫，赵子怡，
申请(专利权)人：重庆大学，
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。