[发明专利]基于主动学习的目标检测模型训练方法

权利要求书

1.一种基于主动学习的目标检测模型训练方法，其特征在于，包括：

步骤S1，构造模型训练数据集(Ⅰ)、专家标定输入数据集(Ⅱ)和无标定输入数据集(Ⅲ)，所述构造模型训练数据集(Ⅰ)用于训练初始模型，通过第一输送通道由所述专家标定输入数据集(Ⅱ)向所述模型训练数据集(Ⅰ)输入标记有专家标签的样本图像，和/或通过第二输送通道由所述无标定输入数据集(Ⅲ)向所述模型训练数据集(Ⅰ)输入无目标对象框选的样本图像；

步骤S2，获取所述模型训练数据集(Ⅰ)中样本图像数量值，并与所述模型训练数据集(Ⅰ)预先设定的数据上限值比较，当其中的样本图像数量值小于或等于所述数据上限值时，利用所述模型训练数据集(Ⅰ)继续训练所述初始模型，当其中的样本图像数量值大于数据上限值时，执行下述步骤S3；

步骤S3，根据选取条件在所述模型训练数据集(Ⅰ)中选取超出其数据上限值部分的数量的样本图像定义为筛除图像，将所述筛除图像取出所述模型训练数据集(Ⅰ)后利用所述模型训练数据集(Ⅰ)训练所述初始模型，并在所述筛除图像中选取至少一部分无专家标签的所述筛除图像归类输入待标定困难样本数据集(Ⅳ)；所述选取条件为：步骤S31，根据所述初始模型对所述模型训练数据集(Ⅰ)中的至少一部分样本图像进行损失值的计算，并将所述至少一部分样本图像按照各自对应的所述损失值降序排列，以构造损失值图像序列；步骤S32，由所述损失值图像序列的损失值高端开始遍历所述损失值图像序列并顺次选取n₁个无专家标签的样本图像作为用于输入所述待标定困难样本数据集(Ⅳ)的困难数据样本，由所述损失值图像序列的损失值低端开始遍历所述损失值图像序列并顺次选取n₂个样本图像作为简单数据样本，其中，所述困难数据样本的数量n₁和所述简单数据样本n₂之和等于所述筛除图像的数量X；

步骤S4，对归类输入所述待标定困难样本数据集(Ⅳ)中的所述筛除图像逐一进行目标对象框选筛查及专家标签标记后作为样本图像输入所述专家标定输入数据集(Ⅱ)，重复所述步骤S1至所述步骤S4，直至对所述初始模型完成预设训练轮数的训练和/或达到预设要求后生成目标检测模型。

2.根据权利要求1所述的目标检测模型训练方法，其特征在于，所述步骤S3还包括：

步骤S33，对所述简单数据样本中的样本图像逐一判定，当其中的样本图像标记有专家标签时，归类输入专家标定简单数据集(Ⅴ)，当其中的样本图像无专家标签时，归类输入常规简单数据集(Ⅵ)。

3.根据权利要求2所述的目标检测模型训练方法，其特征在于，

在所述步骤S32中，所述困难数据样本的用于输入所述待标定困难样本数据集(Ⅳ)n₁个无专家标签的样本图像的损失值高于第一预设筛选范围值，所述第一预设筛选范围值大于等于1.2且小于等于1.6；

在所述步骤S33中，所述简单数据样本中的归类输入专家标定简单数据集(Ⅴ)的样本图像的损失值低于第二预设筛选范围值，所述第二预设筛选范围值大于等于0.3且小于等于0.5。

4.根据权利要求1所述的目标检测模型训练方法，其特征在于，所述困难数据样本的数量n₁和所述简单数据样本n₂满足：1/9≦n₁/n₂≦1/5。

5.根据权利要求1所述的目标检测模型训练方法，其特征在于，在所述步骤S31中，根据所述初始模型对所述模型训练数据集(Ⅰ)中的去除掉来自所述专家标定输入数据集(Ⅱ)的输入部分和/或去除掉来自所述无标定输入数据集(Ⅲ)的输入部分后的剩余部分的样本图像进行损失值的计算，并将所述剩余部分的样本图像按照各自对应的所述损失值降序排列，以构造所述损失值图像序列。

6.根据权利要求1所述的目标检测模型训练方法，其特征在于，在所述步骤S4中，所述目标对象框选筛查及专家标签标记包括：

当所述筛除图像中框选了正确的目标对象时，对所述筛除图像标记所述专家标签；

当所述筛除图像中未框选正确的目标对象时，对所述筛除图像的框选修订后标记所述专家标签。