【技术实现步骤摘要】
本专利技术属于计算机视觉，尤其涉及一种目标检测方法、机器视觉装置、存储介质及控制器。
技术介绍
1、 计算机视觉在自动缺陷检测、人脸检测、自动驾驶等领域得到了广泛的应用；其中，基于人工智能ai（artificial intelligence）的方案因其自学习能力，在系统的适应性、功能的可扩展性等方面，较传统的自动化控制（automation control ）技术，给出了更为灵活、鲁棒性更优解决方案。
2、 为达成实现深度学习的目标，通常需要海量的数据，特别是需要对上述数据进行标注，方可通过有监督的学习sl（supervised learning）过程来达到预期的效果；在缺乏标签数据时，其半监督学习ssl（semi-supervised learning）过程为了达到类似的效果，需要其无标签数据的分布与标签数据分布相似，方可取得满意的效果。
3、在无标签数据与标注数据分布不一致的场景中，上述半监督学习过程难以取得满意的训练效果，系统的鲁棒性亦较差；在目标识别等一些计算机视觉应用中，上述情形尤为突出，亟需进行相关技术的升级。
技术实现思路
1、本专利技术实施例公开了一种目标检测方法，用于半监督学习的目标检测过程；其核心处理过程包括第一向量筛选步骤；该第一向量筛选步骤构建检测类别的模板向量集并用于指导机器学习过程。
2、具体地，通过将目标样本分配给预设数量的锚候选向量集aca并进行训练；进而，筛选其锚候选向量集aca中锚向量质量参数大于预设锚向量质量
3、其中，在训练过程中，以类别表征队列和对应的表征权重队列来维护每一个类别；对每个标签数据ld按照其第一向量筛选步骤筛选出对应的锚定向量ase；并将锚定向量分解为表征队列和表征权重队列两部分。
4、具体地，其锚向量质量参数可由锚向量分类损失lcls和锚向量回归损失lloc加权求和得到；其锚向量质量阈值ath保留预设标定百分比p的锚候选向量集aca数据到锚定向量ase，其标定百分比p可取20%或其它预设的百分比。
5、进一步地，其模板向量集更新过程的目标函数可根据类别数m、类别向量队列样本数nm、类别对应的类心空间cm、表征向量eim、权重wim和/或类心pjm来确定，并以余弦相似度作为距离度量依据。
6、 进一步地，该目标检测方法还可设置有第二匹配修正步骤；该第二匹配修正步骤可根据模板向量集、真实类别gt（ground truth）、每个类别对应的模板向量个数k和/或坐标回归的准确度ioui（intersection over union）i来构造聚类损失lcluster。
7、其中，目标函数由坐标回归的准确度ioui或根据模板向量集在聚类损失lcluster中的贡献度来给出权重wim；需要说明的是，这里对应给出了对损失函数的改进，以及其样本权重计算方法；具体地，其聚类损失是基于上述过程构建出的模板向量计算的一种损失；而样本权重则是用于在其他损失函数中调整不同样本的权重。
8、进一步地，该目标检测方法还可设置有第三标签过滤步骤；该第三标签过滤步骤根据置信度阈值过滤伪标签；其中，置信度阈值根据网络输出的类别置信度动态赋值；该置信度阈值包括类别c（075）对应的自适应阈值tt（c）。
9、 进一步，该目标检测方法还可设置有第四标签修正步骤；该第四标签修正步骤可由教师模型的输出类别置信度进行非极大抑制nms（non-maximum suppression）并过滤其伪标签或基于其模板向量集的平均特征相似度来修正其伪标签；其平均特征相似度可根据余弦相似度及当前训练各次迭代中每个类别的平均距离确定；其中：教师模型的输出的结果可分别经过类别置信度和平均特征相似度过滤，再进行nms非极大抑制；即这一步得到了两组过滤后的伪标签；最后，对类别置信度过滤的伪标签结果中与特征相似度伪标签iou大于一定值的伪标签进行替换。
10、具体地，其伪标签的修正可通过第一次过滤和第二次过滤来完成；其第一次过滤可根据自适应阈值tt（c）进行过滤得到教师集合并经过非极大抑制nms过程过滤掉重复的内容以得到教师模型的检测结果ateacher；其第二次过滤可根据平均特征相似度进行过滤，并亦经过非极大抑制nms得到聚类检测结果acluster；其中，还包括通过iou从ateacher找到需要被acluster替换的伪标签。
11、进一步地，其第四标签修正步骤还可采用上阈值tup和下阈值tdown来替换其类别c对应的自适应阈值tt（c），并可将置信度大于上阈值tup的伪标签确认为确信伪标签，而将置信度小于下阈值tdown的伪标签确认为不可信标签；此外，可将其余的伪标签确认为不确定标签。
12、不仅如此，其第四标签修正步骤还可结合模板向量集对上述不可信标签重复其第一向量筛选步骤、第二匹配修正步骤和/或第三标签过滤步骤以再次进行修正。
13、相应地，本专利技术实施例还公开了一种机器视觉装置，其核心包括第一向量筛选单元，用以构建检测类别的模板向量集，并将其模板向量集用于指导机器学习过程。
14、具体地，通过将目标样本分配给预设数量的锚候选向量集aca并进行训练，并筛选该锚候选向量集aca中锚向量质量参数大于预设锚向量质量阈值ath的锚定向量ase用于学习过程。
15、其中，在训练预设的轮数后进行聚类处理并更新其模板向量集使得每个类别经聚类得到k个类心；同样地，其参数k为正整数，且k可根据网络结构确定；进而，可由更新后的模板向量集构造二维的类别模板向量矩阵c以改进目标检测过程。
16、具体地，训练过程中，以类别表征队列和对应的表征权重队列来维护每一个类别；并对每个标签数据ld按照第一向量筛选单元筛选出对应的锚定向量ase；其后，将锚定向量分解为表征队列和表征权重队列两部分；其锚向量质量参数则由锚向量分类损失lcls和锚向量回归损失lloc加权求和得到；其锚向量质量阈值ath保留预设标定百分比p的锚候选向量集aca数据到锚定向量ase，其标定百分比p可以是20%或其它预设的百分比；其模板向量集更新过程的目标函数同样可根据类别数m、类别向量队列样本数nm、类别对应的类心空间cm、表征向量eim、权重wim和/或类心pjm来确定，并以余弦相似度作为距离度量依据。
17、进一步地，该机器视觉装置还可设置有第二匹配修正单元、第三标签过滤单元、第四标签修正单元；其中，第二匹配修正单元可根据模板向量集、真实类别gt、每个类别对应的模板向量个数k和/或坐标回归的准确度ioui来构造聚类损失lcluster；其目标函数可由坐标回归的准确度ioui或根据模板向量集在聚类损失lcluster本文档来自技高网...
【技术保护点】
1.一种目标检测方法，用于半监督学习的目标检测过程；其特征在于包括第一向量筛选步骤（100）；所述第一向量筛选步骤（100）构建检测类别的模板向量集（030），所述模板向量集（030）用于指导机器学习过程；将目标样本（010）分配给预设数量的锚候选向量集（018）ACa并进行训练；筛选所述锚候选向量集（018）ACa中锚向量质量参数（011）大于预设锚向量质量阈值（017）ATh的锚定向量（019）ASe用于所述学习过程；训练预设的轮数后进行聚类处理并更新所述模板向量集（030），使得每个类别经聚类得到k个类心；其中，参数k为正整数，所述参数k根据网络结构确定；由更新后的所述模板向量集（030）构造二维的类别模板向量矩阵（031）C以改进所述目标检测过程。
2.如权利要求1的所述目标检测方法，其中：所述训练过程中，以类别表征队列（111）和对应的表征权重队列（112）来维护每一个类别；对每个标签数据（004）LD按照所述第一向量筛选步骤（100）筛选出对应的所述锚定向量（019）ASe；并将所述锚定向量（019）分解为所述表征队列（111）和所述表征权重队列（112）
3.如权利要求1或2的所述目标检测方法，其中：所述锚向量质量参数（011）由锚向量分类损失（013）Lcls和锚向量回归损失（015）Lloc加权求和得到；所述锚向量质量阈值（017）ATh保留预设标定百分比（101）P的所述锚候选向量集（018）ACa数据到所述锚定向量（019）ASe，所述标定百分比（101）P包括20%或预设的百分比。
4.如权利要求3的所述目标检测方法，其中：所述模板向量集（030）的所述更新过程的目标函数（020）根据类别数（021）M、类别向量队列样本数（023）Nm、类别对应的类心空间（025）Cm、表征向量（027）eim、权重Wim和/或类心Pjm来确定，并以余弦相似度作为距离度量依据。
5.如权利要求4的所述目标检测方法，还包括第二匹配修正步骤（200）；所述第二匹配修正步骤（200）根据所述模板向量集（030）、真实类别（006）GT、每个类别对应的模板向量个数（201）k和/或坐标回归的准确度（045）IoUi来构造聚类损失（041）Lcluster；其中，所述目标函数（020）由所述坐标回归的准确度（045）IoUi或根据所述模板向量集（030）在所述聚类损失（041）Lcluster中的贡献度（051）来给出所述权重（026）Wim。
6.如权利要求1、2、4或5任一项的所述目标检测方法，还包括第三标签过滤步骤（300）；所述第三标签过滤步骤（300）根据置信度阈值（310）过滤伪标签（008）；其中，所述置信度阈值（310）根据网络输出的类别置信度动态赋值；所述置信度阈值（310）包括类别c（075）对应的自适应阈值（073）Tt（c）。
7.如权利要求6的所述目标检测方法，还包括第四标签修正步骤（400）；所述第四标签修正步骤（400）由教师模型（005）的输出类别置信度进行非极大抑制（093）NMS并过滤所述伪标签（008）或基于所述模板向量集（030）的平均特征相似度（081）来修正所述伪标签（008）；其中，所述平均特征相似度（081）根据所述余弦相似度及当前训练各次迭代中每个类别的平均距离确定。
8.如权利要求7的所述目标检测方法，其中：所述伪标签（008）的修正包括第一次过滤和第二次过滤；所述第一次过滤根据所述自适应阈值（073）Tt（c）进行过滤得到教师集合（093）并经过所述非极大抑制NMS过程过滤掉重复的内容以得到教师模型的检测结果（093）Ateacher；所述第二次过滤根据所述平均特征相似度（081）进行过滤并亦经过所述非极大抑制NMS得到聚类检测结果（091）Acluster。
9.如权利要求7或8的所述目标检测方法，其中：所述第四标签修正步骤（400）采用上阈值（410）Tup和下阈值（420）Tdown替换所述类别c（075）对应的所述自适应阈值（073）Tt（c），并将置信度大于所述上阈值（410）Tup的所述伪标签（008）确认为确信伪标签（411），将置信度小于所述下阈值（420）Tdown的所述伪标签（008）确认为不可信标签（422），将其余的所述伪标签（008）确认为不确定标签（433）。
10.如权利要求9的所述目标检测方法，其中：所述第四标签修正步骤（400）结合所述模板向量集（030）对所述不可信标签（422）重复所述第一向量筛选步骤（100）、所述第二匹配修正步骤（200）和/或所述第三标签过滤步骤（300）再次进行修正。
11.一种机器...
【技术特征摘要】
1.一种目标检测方法，用于半监督学习的目标检测过程；其特征在于包括第一向量筛选步骤（100）；所述第一向量筛选步骤（100）构建检测类别的模板向量集（030），所述模板向量集（030）用于指导机器学习过程；将目标样本（010）分配给预设数量的锚候选向量集（018）aca并进行训练；筛选所述锚候选向量集（018）aca中锚向量质量参数（011）大于预设锚向量质量阈值（017）ath的锚定向量（019）ase用于所述学习过程；训练预设的轮数后进行聚类处理并更新所述模板向量集（030），使得每个类别经聚类得到k个类心；其中，参数k为正整数，所述参数k根据网络结构确定；由更新后的所述模板向量集（030）构造二维的类别模板向量矩阵（031）c以改进所述目标检测过程。
2.如权利要求1的所述目标检测方法，其中：所述训练过程中，以类别表征队列（111）和对应的表征权重队列（112）来维护每一个类别；对每个标签数据（004）ld按照所述第一向量筛选步骤（100）筛选出对应的所述锚定向量（019）ase；并将所述锚定向量（019）分解为所述表征队列（111）和所述表征权重队列（112）两部分。
3.如权利要求1或2的所述目标检测方法，其中：所述锚向量质量参数（011）由锚向量分类损失（013）lcls和锚向量回归损失（015）lloc加权求和得到；所述锚向量质量阈值（017）ath保留预设标定百分比（101）p的所述锚候选向量集（018）aca数据到所述锚定向量（019）ase，所述标定百分比（101）p包括20%或预设的百分比。
4.如权利要求3的所述目标检测方法，其中：所述模板向量集（030）的所述更新过程的目标函数（020）根据类别数（021）m、类别向量队列样本数（023）nm、类别对应的类心空间（025）cm、表征向量（027）eim、权重wim和/或类心pjm来确定，并以余弦相似度作为距离度量依据。
5.如权利要求4的所述目标检测方法，还包括第二匹配修正步骤（200）；所述第二匹配修正步骤（200）根据所述模板向量集（030）、真实类别（006）gt、每个类别对应的模板向量个数（201）k和/或坐标回归的准确度（045）ioui来构造聚类损失（041）lcluster；其中，所述目标函数（020）由所述坐标回归的准确度（045）ioui或根据所述模板向量集（030）在所述聚类损失（041）lcluster中的贡献度（051）来给出所述权重（026）wim。
6.如权利要求1、2、4或5任一项的所述目标检测方法，还包括第三标签过滤步骤（300）；所述第三标签过滤步骤（300）根据置信度阈值（310）过滤伪标签（008）；其中，所述置信度阈值（310）根据网络输出的类别置信度动态赋值；所述置信度阈值（310）包括类别c（075）对应的自适应阈值（073）tt（c）。
7.如权利要求6的所述目标检测方法，还包括第四标签修正步骤（400）；所述第四标签修正步骤（400）由教师模型（005）的输出类别置信度进行非极大抑制（093）nms并过滤所述伪标签（008）或基于所述模板向量集（030）的平均特征相似度（081）来修正所述伪标签（008）；其中，所述平均特征相似度（081）根据所述余弦相似度及当前训练各次迭代中每个类别的平均距离确定。
8.如权利要求7的所述目标检测方法，其中：所述伪标签（008）的修正包括第一次过滤和第二次过滤；所述第一次过滤根据所述自适应阈值（073）tt（c）进行过滤得到教师集合（093）并经过所述非极大抑制nms过程过滤掉重复的内容以得到教师模型的检测结果（093）ateacher；所述第二次过滤根据所述平均特征相似度（081）进行过滤并亦经过所述非极大抑制nms得到聚类检测结果（091）acluster。
9.如权利要求7或8的所述目标检测方法，其中：所述第四标签修正步骤（400）采用上阈值（410）tup和下阈值（420）tdown替换所述类别c（075）对应的所述自适应阈值（073）tt（c），并将置信度大于所述上阈值（410）tup的所述伪标签（008）确认为确信伪标签（411），将置信度小于所述下阈值（420）tdown的所述伪标签（008）确认为不可信标签（422），将其余的所述伪标签（008）确认为不确定标签（433）。
10.如权利要求9的所述目标检测方法，其中：所述第四标签修正步骤（400）结合所述模板向量集（030）对所述不可信标签（422）重复所述第一向量筛选步骤（100）、所述第二匹配修正步骤（200）和/或所述第三标签过滤步骤（300）再次进行修正。...
【专利技术属性】
技术研发人员：刘鹏，孙林，陆唯佳，张洁，沈崴，金昱，葛欢，
申请(专利权)人：联合汽车电子有限公司，
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。