【技术实现步骤摘要】
本申请涉及弱监督目标检测，尤其涉及一种弱监督目标检测模型评估方法及相关装置。
技术介绍
1、目标检测的主流方法是基于深度学习的全监督目标检测算法，它们需要大量的带有物体类别和位置标注的数据来训练高效的目标检测器。然而，获取这样的数据是非常耗时耗力的，而且可能存在标注错误或不一致的问题。因此，如何利用更少或更弱的监督信息来训练目标检测器是一个具有挑战性和实用性的问题。弱监督目标检测(wsod)是一种在只有图像类别标注的情况下，训练目标检测器的方法。不同于需要实例级别标注的全监督目标检测算法(fsod)，wsod算法可以利用大量廉价且易得的数据来提升目标检测性能，但是，也面临着三大挑战：局部聚焦问题、实例区分模糊问题和速度问题。
2、所以现有技术会采用一些评估指标对wsod算法进行性能评估，缓解该技术应用在实际场景中的问题。但是当下采用平均精度map等指标衡量wsod算法在公开数据集上的表现效果较差，或者说，平均精度map并不完全适用于评估wsod算法的性能。
技术实现思路
1、本申请提供了一种弱监督目标检测模型评估方法及相关装置，用于解决现有技术提出的评估指标并不完全适用于弱监督目标检测模型的性能评估，导致实际评估效果较差的技术问题。
2、有鉴于此，本申请第一方面提供了一种弱监督目标检测模型评估方法，包括：
3、在采用预设测试数据集对当前弱监督目标检测模型进行测试的过程中，通过候选区域的正例筛选方式分析每个对象类别对应的分类准确率均值和分类召回率均
4、根据预设一致性函数计算每个所述对象类别的所述候选区域与对应背景区域的特征相似度，得到特征级相似度值；
5、基于所述分类准确率均值、分类召回率均值和所述特征级相似度值绘制bpr评估曲线，所述bpr评估曲线上每个点的大小为所述特征级相似度值；
6、依据所述bpr评估曲线计算得到的总bpr面积对所述当前弱监督目标检测模型进行性能评估，得到评估结果。
7、优选地，所述在采用预设测试数据集对当前弱监督目标检测模型进行测试的过程中，通过候选区域的正例筛选方式分析每个对象类别对应的分类准确率均值和分类召回率均值，包括：
8、在采用预设测试数据集对当前弱监督目标检测模型进行测试的过程中，根据候选得分对每张图像中每个对象类别对应的候选区域进行排序，得到候选区域序列；
9、在所述候选区域序列中筛选出所述候选得分大于得分阈值的正例区域；
10、基于所述正例区域，根据对象类别集合与候选区域集合计算每张图像的子分类准确率和子分类召回率；
11、根据所述子分类准确率和所述子分类召回率分别计算均值，得到每个所述对象类别的分类准确率均值和分类召回率均值。
12、优选地，所述在采用预设测试数据集对当前弱监督目标检测模型进行测试的过程中，通过候选区域的正例筛选方式分析每个对象类别对应的分类准确率均值和分类召回率均值，之前还包括：
13、获取预设测试数据集、预设训练数据集和初始弱监督目标检测模型；
14、采用所述预设训练数据集对所述初始弱监督目标检测模型进行模型训练，得到当前弱监督目标检测模型。
15、优选地，所述依据所述bpr评估曲线计算得到的总bpr面积对所述当前弱监督目标检测模型进行性能评估，得到评估结果，包括：
16、在所述bpr评估曲线上分割每个所述对象类别对应的小矩形，并计算出小矩形面积；
17、根据所述小矩形上各个点的参数值计算所述小矩形的权重值；
18、基于所述小矩形面积和所述权重值计算每个所述对象类别对应的类别bpr面积；
19、根据所有所述对象类别对应的所述类别bpr面积进行均值计算，得到总bpr面积；
20、根据所述总bpr面积对所述当前弱监督目标检测模型进行性能评估，得到评估结果。
21、本申请第二方面提供了一种弱监督目标检测模型评估装置，包括：
22、测试计算单元，用于在采用预设测试数据集对当前弱监督目标检测模型进行测试的过程中，通过候选区域的正例筛选方式分析每个对象类别对应的分类准确率均值和分类召回率均值；
23、相似计算单元，用于根据预设一致性函数计算每个所述对象类别的所述候选区域与对应背景区域的特征相似度，得到特征级相似度值；
24、曲线绘制单元，用于基于所述分类准确率均值、分类召回率均值和所述特征级相似度值绘制bpr评估曲线，所述bpr评估曲线上每个点的大小为所述特征级相似度值；
25、性能评估单元，用于依据所述bpr评估曲线计算得到的总bpr面积对所述当前弱监督目标检测模型进行性能评估，得到评估结果。
26、优选地，所述测试计算单元，具体用于：
27、在采用预设测试数据集对当前弱监督目标检测模型进行测试的过程中，根据候选得分对每张图像中每个对象类别对应的候选区域进行排序，得到候选区域序列；
28、在所述候选区域序列中筛选出所述候选得分大于得分阈值的正例区域；
29、基于所述正例区域，根据对象类别集合与候选区域集合计算每张图像的子分类准确率和子分类召回率；
30、根据所述子分类准确率和所述子分类召回率分别计算均值，得到每个所述对象类别的分类准确率均值和分类召回率均值。
31、优选地，还包括：
32、获取单元，用于获取预设测试数据集、预设训练数据集和初始弱监督目标检测模型；
33、训练单元，用于采用所述预设训练数据集对所述初始弱监督目标检测模型进行模型训练，得到当前弱监督目标检测模型。
34、优选地，所述性能评估单元，具体用于：
35、在所述bpr评估曲线上分割每个所述对象类别对应的小矩形，并计算出小矩形面积；
36、根据所述小矩形上各个点的参数值计算所述小矩形的权重值；
37、基于所述小矩形面积和所述权重值计算每个所述对象类别对应的类别bpr面积；
38、根据所有所述对象类别对应的所述类别bpr面积进行均值计算，得到总bpr面积；
39、根据所述总bpr面积对所述当前弱监督目标检测模型进行性能评估，得到评估结果。
40、本申请第三方面提供了一种弱监督目标检测模型评估设备，所述设备包括处理器以及存储器；
41、所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
42、所述处理器用于根据所述程序代码中的指令执行第一方面所述的弱监督目标检测模型评估方法。
43、本申请第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行第一方面所述的弱监督目标检测模型评估方法。
44、从以上技术方案可以看出，本申请实施例具有以下优点：
45、本申请中，提供了一种弱监督目标检测模型评估方法，包括：在采本文档来自技高网...
【技术保护点】
1.一种弱监督目标检测模型评估方法，其特征在于，包括：
2.根据权利要求1所述的弱监督目标检测模型评估方法，其特征在于，所述在采用预设测试数据集对当前弱监督目标检测模型进行测试的过程中，通过候选区域的正例筛选方式分析每个对象类别对应的分类准确率均值和分类召回率均值，包括：
3.根据权利要求1所述的弱监督目标检测模型评估方法，其特征在于，所述在采用预设测试数据集对当前弱监督目标检测模型进行测试的过程中，通过候选区域的正例筛选方式分析每个对象类别对应的分类准确率均值和分类召回率均值，之前还包括：
4.根据权利要求1所述的弱监督目标检测模型评估方法，其特征在于，所述依据所述BPR评估曲线计算得到的总BPR面积对所述当前弱监督目标检测模型进行性能评估，得到评估结果，包括：
5.一种弱监督目标检测模型评估装置，其特征在于，包括：
6.根据权利要求5所述的弱监督目标检测模型评估装置，其特征在于，所述测试计算单元，具体用于：
7.根据权利要求5所述的弱监督目标检测模型评估装置，其特征在于，还包括：
8.根据权利
9.一种弱监督目标检测模型评估设备，其特征在于，所述设备包括处理器以及存储器；
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1-4任一项所述的弱监督目标检测模型评估方法。
...【技术特征摘要】
1.一种弱监督目标检测模型评估方法，其特征在于，包括：
2.根据权利要求1所述的弱监督目标检测模型评估方法，其特征在于，所述在采用预设测试数据集对当前弱监督目标检测模型进行测试的过程中，通过候选区域的正例筛选方式分析每个对象类别对应的分类准确率均值和分类召回率均值，包括：
3.根据权利要求1所述的弱监督目标检测模型评估方法，其特征在于，所述在采用预设测试数据集对当前弱监督目标检测模型进行测试的过程中，通过候选区域的正例筛选方式分析每个对象类别对应的分类准确率均值和分类召回率均值，之前还包括：
4.根据权利要求1所述的弱监督目标检测模型评估方法，其特征在于，所述依据所述bpr评估曲线计算得到的总bpr面积对所述当前弱监督目标检...
【专利技术属性】
技术研发人员：谢志强，金子杰，天尧，张力文，林聪，
申请(专利权)人：天翼数字生活科技有限公司，
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。