[发明专利]基于特征一致性学习的船舶目标自动标注方法

权利要求书

1.基于特征一致性学习的船舶目标自动标注方法，其特征在于，包括以下步骤：

1)利用已标注的船舶样本与不同来源的未标注的船舶样本构建船舶数据集，并对船舶数据集中的船舶样本预先计算其数据增强；

2)构建船舶特征判别模型，利用船舶数据集进行基于特征一致性学习的模型训练；

构建的船舶特征判别模型由基于Resnet50网络的特征提取模块和三层全连接层组成，其中最后一层全连接层为输出层，包括分类分支与回归分支，它们共享均为1024个神经元的两层全连接层，并且对特征提取模块提取到的候选区域进行特征分类与回归，实现船舶目标的定位；该船舶特征判别模型的具有情况如下：

利用船舶数据集的已标注样本，聚类计算其目标框的锚框先验形状，搭建基于Resnet50网络的特征提取模块，利用锚框先验形状，在特征提取模块生成的最后一个特征图中以滑动窗口方式提取候选区域，将候选区域中的特征图送入三层全连接层进行特征分类与回归；

将船舶数据集作为船舶特征判别模型的输入，通过船舶数据集的标签与潜在信息最小化目标函数，从而实现对模型的训练；在模型训练过程中，使用随机梯度下降法对目标函数进行优化，船舶特征判别模型的目标函数为：

式中，D_L为有标注的船舶样本集合，其下标L代表标注，D_UL为无标注的船舶样本集合，其下标UL代表无标注，θ为船舶特征判别模型的可训练参数，为监督损失，为特征一致性损失；

监督损失与特征一致性损失均包括分类损失与回归损失；对于监督损失，其分类损失采用交叉熵函数来计算船舶样本的候选区域与标注之间的分类损失，回归损失采用smooth-L1函数来计算船舶样本的候选区域与标注之间的定位损失；对于特征一致性损失，其分类损失采用交叉熵函数来衡量船舶样本的候选区域与其数据增强后的样本的候选区域之间的类别相似损失，回归损失采用smooth-L1函数来衡量船舶样本的候选区域与其数据增强后的样本的候选区域之间的位置相似损失；

3)在模型训练过程中，计算船舶样本的对抗扰动并优化；

4)利用已训练好的船舶特征判别模型对未标注的船舶样本进行伪标注；

5)结合伪标注的船舶样本和已标注的船舶样本重复进行模型训练直到收敛，输出最终的伪标注，从而完成船舶目标的自动标注。

2.根据权利要求1所述的基于特征一致性学习的船舶目标自动标注方法，其特征在于，在步骤1)中，对船舶数据集中的船舶样本预先计算其数据增强，以增加数据的多样性，包括：

a、计算船舶样本的几何变换，包括水平翻转、-30°～30°的图片旋转、平移、图片缩放以及裁剪；

b、计算船舶样本的噪声扰动，包括色彩通道转变、添加高斯噪声、椒盐噪声以及锐化；

c、计算船舶数据样本的随机遮挡，随机选择图片中的多个区域并将其像素值置0。

3.根据权利要求1所述的基于特征一致性学习的船舶目标自动标注方法，其特征在于，在步骤3)中，在训练过程中针对当前船舶特征判别模型的参数，计算能引起该模型错分类的对抗扰动，并将该错分类进行改正优化，包括以下步骤：

3.1)利用训练过程中的船舶特征判别模型，计算船舶样本在该模型中的输出O和船舶样本施加扰动r后的模型输出

3.2)利用KL(Kullback-Leibler)散度函数计算O与的分布距离，并计算使该分布距离最大化的扰动r，并将其扰动作为对抗扰动；

式中，f_kl表示KL散度函数，表示船舶样本施加扰动r后的模型输出；τ是一个常量，限制r的幅值大小；

3.3)将计算得到的对抗扰动施加在船舶样本中，得到船舶对抗样本，并加入到模型训练过程中进行优化。

4.根据权利要求1所述的基于特征一致性学习的船舶目标自动标注方法，其特征在于，在步骤4)中，利用船舶特征判别模型计算所有无标注的船舶样本的目标输出，对每个船舶样本的目标输出进行非极大值抑制，减少重叠目标的数量；将经过非极大值抑制的目标保存为PASCAL VOC格式的XML文件作为伪标注。

5.根据权利要求1所述的基于特征一致性学习的船舶目标自动标注方法，其特征在于，在步骤5)中，通过利用不断更新的伪标注进行重复的模型训练来提高船舶特征判别模型的标注精度，具体如下：

利用伪标注的船舶样本和已标注的船舶样本再次进行基于特征一致性学习的模型训练；利用模型训练结束的船舶特征判别模型更新伪标注，再次利用更新后的伪标注的船舶样本和已标注的船舶样本重复进行模型训练，直到伪标注的更新收敛；将收敛的伪标注作为无标注的船舶样本的最终标注，并保存为PASCAL VOC格式的XML文件。