一种基于对比学习与前景提取的密集场景目标检测方法、系统和介质技术方案

本发明专利技术提出了一种基于对比学习与前景提取的密集场景目标检测方法、系统和介质，该方法首先对输入图像进行特征提取，并通过对比学习编码器增强前后景特征差异，利用二分类器生成前景掩码。在仅有边界框标注的情况下，结合SAM模型自动生成高质量的掩码伪标签，并通过多重损失函数联合优化模型。进一步，采用点提示采样机制补全未被检测的前景区域，提高对漏检目标的检测能力。最后，提出Add&&Fusion后处理模块，通过置信度加权融合，有效合并冗余检测框，提升重叠目标检测的精度。本发明专利技术方法能够显著提升密集场景下目标检测的准确性和鲁棒性，适用于智能安防、视频监控等复杂环境下的目标检测任务。

【技术实现步骤摘要】

本专利技术涉及计算机视觉，具体涉及一种基于对比学习与前景提取的密集场景目标检测方法、系统和介质。

技术介绍

1、随着目标检测技术的广泛应用，传统的两阶段或单阶段检测器在密集场景下的性能表现受限，尤其在目标物体密集排列、前景与背景相似的复杂环境中，现有检测方法易出现漏检、误检等问题。

2、标准的非极大值抑制(nms)算法作为后处理步骤，虽可合并重复检测，但在密集目标检测任务中，低阈值易导致漏检，高阈值又容易保留过多冗余框，无法兼顾精度与召回率。

3、近年来，segment anything model(sam)等通用分割模型和对比学习方法被应用于相关任务，但在密集场景下依然存在计算开销大、准确率有限、前后景难以区分等瓶颈。

4、同时，像素级对比学习虽能提升特征辨识度，却往往需要大量掩码标注，增加了人工成本。因此，如何在密集场景下提升目标检测的准确性和鲁棒性，成为亟需解决的技术难题。

技术实现思路

1、本专利技术旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种基于对比本文档来自技高网...

【技术保护点】

1.一种基于对比学习与前景提取的密集场景目标检测方法，其特征在于，包括：

2.根据权利要求1所述的一种基于对比学习与前景提取的密集场景目标检测方法，其特征在于，所述步骤1包括：

3.根据权利要求2所述的一种基于对比学习与前景提取的密集场景目标检测方法，其特征在于，所述对比学习编码器还包括：

4.根据权利要求1所述的一种基于对比学习与前景提取的密集场景目标检测方法，其特征在于，所述步骤2包括：

5.根据权利要求1所述的一种基于对比学习与前景提取的密集场景目标检测方法，其特征在于，所述步骤3包括：

6.根据权利要求5所述的一种基于对...

【技术特征摘要】

1.一种基于对比学习与前景提取的密集场景目标检测方法，其特征在于，包括：

2.根据权利要求1所述的一种基于对比学习与前景提取的密集场景目标检测方法，其特征在于，所述步骤1包括：

3.根据权利要求2所述的一种基于对比学习与前景提取的密集场景目标检测方法，其特征在于，所述对比学习编码器还包括：

4.根据权利要求1所述的一种基于对比学习与前景提取的密集场景目标检测方法，其特征在于，所述步骤2包括：

5.根据权利要求1所述的一种基于对比学习与前景提取的密集场景目标检测方法，其特征在于...

【专利技术属性】
技术研发人员：万里，范方洋，高鹏举，彭柱仁，
申请(专利权)人：重庆大学，
类型：发明
国别省市：