[发明专利]一种基于正负样本均衡的弱监督目标检测方法

权利要求书

1.一种基于正负样本均衡的弱监督目标检测方法，其特征在于：包括以下步骤：

1)采集需要进行目标检测的场景图像，场景图像对应有标签，主要由场景图像和对应的标签组成训练集；

2)将训练集输入筛选目标候选框模块，筛选目标候选框模块通过选择性搜索方法获取场景图像的所有目标候选框，根据场景图像对应的弱监督语义分割结果M计算所有目标候选框的环境系数，将所有目标候选框的环境系数进行排序并选择环境系数靠前的若干个目标候选框，将选择的目标候选框作为场景图像对应的初始目标候选框；

3)建立弱监督目标检测网络，将步骤1)中的训练集和步骤2)中对应的初始目标候选框同时输入弱监督目标检测网络中进行训练，训练过程中利用最优目标框更新方法获得训练后的弱监督目标检测网络；

4)将待测场景图像分别输入到筛选目标候选框模块和训练后的弱监督目标检测网络中，对待测场景图像的目标进行分类与定位；

所述环境系数的计算具体为：

对含有n个目标候选框的场景图像，每一个目标候选框r都有一个对应的扩大边框，将目标候选框与目标候选框对应的扩大边框之间的区域记作环境区域c_r；计算弱监督语义分割结果M在目标候选框r区域中概率值的均值并记为内部系数S_in；同时，将弱监督语义分割结果M在环境区域c_r中的概率值进行降序排列，计算前50％的概率值的均值并记为外部系数S_out，目标候选框r的环境系数S_r由下式计算获得：

S_r＝S_in-S_out 。

2.根据权利要求1中所述的一种基于正负样本均衡的弱监督目标检测方法，其特征在于：

所述弱监督目标检测网络包括特征提取模块、多示例检测分支、若干个示例优化分支和边框回归分支；特征提取模块的输出分别作为多示例检测分支、若干个示例优化分支和边框回归分支的输入，步骤1)中的训练集的标签监督多示例检测分支，多示例检测分支的输出经过处理后监督第一个示例优化分支，前一个示例优化分支的输出经过处理后监督后一个示例优化分支，若干个示例优化分支的输出均经过处理后监督边框回归分支，边框回归分支输出筛选目标候选框模块输入弱监督目标检测网络的目标候选框对应的位置偏移量。

3.根据权利要求2中所述的一种基于正负样本均衡的弱监督目标检测方法，其特征在于：

所述特征提取模块主要由卷积模块、ROI池化层、第一全连接层和第二全连接层依次连接构成；其中，训练集中的场景图像作为卷积模块的输入，卷积模块的输出和初始目标候选框进行处理后共同作为ROI池化层的输入；卷积模块提取场景图像的特征图后通过ROI池化层、第一全连接层和第二全连接层获取所有初始目标候选框的特征图，将所有初始目标候选框的特征图分别输入到多示例检测分支、若干个示例优化分支和边框回归分支中。