[发明专利]一种基于双梯度的弱监督目标定位方法及装置

权利要求书

1.一种基于双梯度的弱监督目标定位方法，其特征在于，所述方法包括：

将图像数据集作为训练集，训练原始深度学习分类模型，得到深度学习模型；所述图像数据集包括多个图像数据和每个图像数据的标注向量，所述深度学习模型输出卷积特征图、多个类别和每个类别的概率向量；

根据所述类别、概率向量和每个类别的标注向量，计算概率向量与标注向量的交叉熵损失；

计算所述交叉熵损失关于所述卷积特征图的第一梯度；

根据第一梯度对所述卷积特征图进行信息增强，得到类别信息增强图；

计算概率向量关于卷积特征图的第二梯度；

根据所述类别信息增强图和所述第二梯度，计算定位图；

根据所述定位图和预设的阈值，确定蒙版；

根据预设的函数，确定蒙版中的多个连通域；所述连通域具有边界线；

根据所述边界线，确定目标定位边框。

2.根据权利要求1所述的方法，其特征在于，所述根据所述类别、概率向量和每个类别的标注向量，计算概率向量与标注向量的交叉熵损失具体包括：

根据公式计算交叉熵损失函数；其中，L(p，y_c)表示概率向量与标注向量的交叉熵损失函数，d为类别总数，p为概率向量，y_c为第c类别的标注向量，表示标注向量y_c的第k个元素，p_k表示概率向量p的第k个元素。

3.根据权利要求1所述的方法，其特征在于，计算所述交叉熵损失关于所述卷积特征图的第一梯度具体包括：

根据公式计算交叉熵损失关于所述卷积特征图的第一梯度；其中，G1为第一梯度，α为增强系数，L(p，α*y_c)为概率向量p与标注向量y_c乘以增强系数α的交叉熵损失函数，S为卷积特征图。

4.根据权利要求1所述的方法，其特征在于，所述根据第一梯度对所述卷积特征图进行信息增强，得到类别信息增强图具体包括：

根据公式E＝l₂(S)-l₂(G1)确定类别增强信息图；

其中，E为类别增强信息图，l₂为l2归一化函数，l₂(S)为对卷积特征图S进行归一化，l₂(G1)为对第一梯度进行归一化。

5.根据权利要求1所述的方法，其特征在于，所述计算概率向量关于卷积特征图的第二梯度具体包括：

根据公式计算第二梯度；其中，G2为第二梯度，p_c为第c类别的概率向量，S为卷积特征图。

6.根据权利要求1所述的方法，其特征在于，所述根据所述类别信息增强图和所述第二梯度，计算定位图具体包括：

根据A＝∑E·G2计算定位图；其中，A为定位图，E为类别增强信息图，G2为第二梯度。

7.根据权利要求1所述的方法，其特征在于，所述根据所述定位图和预设的阈值，确定蒙版具体包括：

根据mask＝abs(sign(A-th))确定蒙版；其中，A为定位图，th为预设阈值，mask为蒙版。