[发明专利]一种基于正负样本均衡的弱监督目标检测方法

说明书

本发明公开了一种基于正负样本均衡的弱监督目标检测方法。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；将训练集输入筛选目标候选框模块，筛选目标候选框模块输出场景图像对应的初始目标候选框；建立弱监督目标检测网络，将训练集和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，获得训练后的弱监督目标检测网络；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。本发明只需要含有图像所对应的图像级类别标签数据集，在无目标框级别标签存在的情况下有较好的目标检测能力。

技术领域

本发明属于计算机视觉技术领域，涉及了一种图像目标的检测方法，具体 涉及了一种基于正负样本均衡的弱监督目标检测方法。

背景技术

目标检测任务的目的是对待识别图像中存在的目标进行定位与分类。由于 目标检测广泛应用于自动驾驶、视频监控、工业检测等方面，近几年这一任务 吸引了工业界和学术界的广泛关注和研究。

在目标检测任务中，全监督的方法需要目标框级别的标签提供位置与类别 信息，而给大量图像进行目标框级别的标注是费时费力的，并且许多现实应用 场景下不存在专门的大规模标注数据集，标注数据十分稀缺；为了缓解这一问 题，许多弱监督、半监督目标检测方法被提出。

其中仅有图像级别标签的弱监督目标检测方法起初基于多示例学习。随着 深度卷积网络的发展，许多弱监督目标检测方法将多示例学习与卷积神经网络 结合在一起，如Hakan Bilen等人发表在《In Proceedings of the IEEE Conference on ComputerVision and Pattern Recognition》的《Weakly supervised deep detection networks》以及Peng Tang等人发表在《In Proceedings of the IEEE Conference on ComputerVision and Pattern Recognition》的《Multiple instance detection network withonline instance classifier refinement》都是弱监督目标检测方法中常被选择的 模型结构。

现有的弱监督目标检测方法由于缺少空间信息的标注，与全监督目标检测 之间存在较大的差距，如何更好的挖掘图像级别标签中所含有的信息，平衡正 负样本以检测出更完整的目标仍是值得探究的问题。

发明内容

为了解决弱监督目标检测中存在的问题，本发明提供了一种基于正负样本 均衡的弱监督目标检测方法，以弱监督目标检测中常用到的OICR网络作为本发 明的基础网络模型，在此基础上，关注于弱监督目标检测中目标候选框正负样 本数目的不均衡以及同类别多物体存在的情况，利用弱监督语义分割提供的信 息筛选负样本，利用训练过程中间的信息挖掘更多的正样本，以提升弱监督目 标检测模型的检测能力。

本发明是针对只有图像级别的类别标注信息场景下的弱监督目标检测。

本发明的技术方案如下：

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；