【技术实现步骤摘要】
本专利技术属于机器学习，具体涉及一种基于生成式主动学习的机器人长尾目标检测方法和装置。
技术介绍
1、随着深度学习和机器学习技术的日益成熟，机器人目标检测领域迎来了前所未有的发展机遇。通过深度学习模型对海量图像数据进行训练，机器人能够学会自主识别和定位各种复杂环境中的目标物体，极大地提升了机器人的智能化水平和实用性。这些技术的融合不仅提高了目标检测的准确率和效率，还为机器人提供了更广阔的应用场景，使其能够在智能制造、智能物流、智能家居等领域发挥更加重要的作用。
2、对于机器人目标检测而言，实时性是一个非常重要的因素。机器人目标检测往往需要在快速变化或复杂的环境中迅速做出反应，因此，用于机器人的目标检测网络需要能够在短时间内完成目标检测任务。
3、此外，与一般的目标检测网络相比，用于机器人的目标检测网络通常需要更高的检测精度，因为机器人目标检测的场景往往较为复杂，包含多种不同尺度的目标，特别是在光照变化、遮挡、目标尺度变化等情况下，检测精度不足的机器人往往无法准确识别目标，从而忽视指令。
4、针对上述问...
【技术保护点】
1.一种基于生成式主动学习的机器人长尾目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于生成式主动学习的机器人长尾目标检测方法，其特征在于，步骤1中，利用预训练的分割模型为生成数据添加伪标签，所述伪标签作为生成数据的掩码标签，来自真实数据的测试数据和训练数据均有各自的标签。
3.根据权利要求2所述的基于生成式主动学习的机器人长尾目标检测方法，其特征在于，步骤3中，第一生成数据和第一训练数据之间的拷贝粘贴策略，还需要将第一生成数据对应的掩码标签拷贝粘贴到第一训练数据的标签上，得到第一增强数据的第一增强标签。
4.根...
【技术特征摘要】
1.一种基于生成式主动学习的机器人长尾目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于生成式主动学习的机器人长尾目标检测方法，其特征在于，步骤1中，利用预训练的分割模型为生成数据添加伪标签，所述伪标签作为生成数据的掩码标签，来自真实数据的测试数据和训练数据均有各自的标签。
3.根据权利要求2所述的基于生成式主动学习的机器人长尾目标检测方法，其特征在于，步骤3中，第一生成数据和第一训练数据之间的拷贝粘贴策略，还需要将第一生成数据对应的掩码标签拷贝粘贴到第一训练数据的标签上，得到第一增强数据的第一增强标签。
4.根据权利要求1所述的基于生成式主动学习的机器人长尾目标检测方法，其特征在于，步骤2中，所述的计算初始化分割损失并反向传播得到梯度，利用梯度初始化梯度缓存，具体为：
5.根据权利要求1所述的基于生成式主动学习的机器人长尾目标检测方法，其特征在于，步骤4中，...
【专利技术属性】
技术研发人员：陈昊，朱慕之，范承祥，刘阳，沈春华，
申请(专利权)人：浙江大学，
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。