[发明专利]基于特征一致性学习的船舶目标自动标注方法

说明书

本发明公开了一种基于特征一致性学习的船舶目标自动标注方法，包括步骤：1)利用已标注的和未标注的船舶样本构建船舶数据集，并对其中的船舶样本进行数据增强；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；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)利用船舶样本的伪标注重复进行模型训练直到收敛，输出最终的伪标注。本发明利用多样性的船舶数据，学习鲁棒性的船舶通用特征，实现对船舶目标的自动标注，有效地减少人工标注的成本。

技术领域

本发明涉及船舶检测的技术领域，尤其是指一种基于特征一致性学习的船舶目标自动标注方法。

背景技术

随着大数据时代的到来和互联网技术的发展，水上交通日益繁忙，针对水上监控的图像数据呈指数增长。船舶是水上运输的主要载体，对船舶目标进行检测在民用、军用领域都具有重要应用。当前，船舶检测模型的检测率依赖于海量的船舶目标标注数据，而人工标注的效率低、质量参差不一。实现对船舶目标自动标注可以避免人工处理数据的繁琐和节约时间成本。船舶目标自动标注要求能够利用无标注的船舶数据结合适当的标注信息来学习对数据进行自动标注。其中，半监督学习发挥着重要的作用，它是一种结合监督学习和无监督学习的方法，能够充分利用标注信息和无标注信息来优化模型。

目前，对数据标注的算法可以分为三大类：基于概率统计的标注方法、基于机器学习的标注方法、基于图结构的标注方法。基于概率统计的标注方法主要是先搭建图像特征和关键词之间的概率分布，再通过构造的训练集求解概率分布的参数，最终根据图像特征去估计各个关键词的匹配概率；基于概率统计的方法由于图像和关键词之间的分布是人工假设的，并不能代表他们之间的精确分布，存在较大的误差会影响标注的效果。基于机器学习的标注方法将语义关键词视作标签，通过传统的监督学习模型训练并分类。基于图结构的方法普遍采用半监督的学习方法，这类方法中图像间的相似度通过图结构来表示构造，相比较于监督学习，该方法可以免去增加训练数据的情况下重新训练模型的麻烦。但是基于图结构的标注方法中图的构造过程十分复杂，结点与结点之间的度量相似性的方式多种多样，在应对真实海量数据时实现困难；基于机器学习的标注方法，只要将模型训练好，就能快速标注。因此，本发明采用基于机器学习的方法实现对船舶数据自动标注。针对传统的机器学习方法存在如下问题：

1、传统机器学习算法往往需要人工提取特征，需要花费大量的时间和精力。

2、传统图像标注模型对非均匀数据集敏感。

为了解决以上问题，本发明提出采用特征一致性学习实现对船舶目标的自动标注。该发明构建船舶特征判别模型，对多来源的船舶样本进行多种数据增强以解决训练数据非均匀问题，接着采用基于特征一致性学习的训练来使模型能够在不同数据增强样本中学习泛化性特征，最终实现对无标注船舶样本的自动标注。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提出了一种基于特征一致性学习的船舶目标自动标注方法，利用有限的已标注的船舶样本结合大量无标注的船舶样本，以特征一致性学习的方式实现船舶目标的自动标注，减少人工标注的成本，加快在船舶检测领域的模型部署。

为实现上述目的，本发明所提供的技术方案为：基于特征一致性学习的船舶目标自动标注方法，包括下述步骤：

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；

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。