[发明专利]一种基于视觉的汽车表盘检测训练方法

权利要求书

1.一种基于视觉的汽车表盘检测训练方法,其特征在于：包括以下步骤，

S1、获取汽车仪表盘的图像数据并形成若干个Epoch训练集；

S2、将每个Epoch训练集中的图像数据送入CNN网络，并输出该组图像数据的权重和预测值；

S3、将图像数据按权重分成高权重组和低权重组，并获取每组的均值；

S4、进行损失度Loss计算；

S5、循环Epoch训练集，当循环到第relab_i个epoch后，开始对标签进行重新标注；其中，relab_i为CNN网络进行重新标注的epoch序号。

2.根据权利要求1所述的一种基于视觉的汽车表盘检测训练方法,其特征在于：所述将每个epoch训练集中的图像数据送入CNN网络的步骤还包括将每个epoch训练集中的图像数据分成若干组样本，且每组样本包括训练集中的batchsize个样本。

3.根据权利要求2所述的一种基于视觉的汽车表盘检测训练方法,其特征在于：所述步骤S3中将图像数据按权重分成高权重组和低权重组的步骤包括根据阈值T将权重分成高权重组和低权重组。

4.根据权利要求3所述的一种基于视觉的汽车表盘检测训练方法,其特征在于：所述阈值T为预设的超参数，数值为0.7。

5.根据权利要求4所述的一种基于视觉的汽车表盘检测训练方法,其特征在于：所述损失度Loss计算的步骤包括判断l_mean-h_mean+M10，

若l_mean-h_mean+M10，

则Loss＝criterion(targets,outputs)+l_mean-h_mean+M1；

否则Loss＝criterion(targets,outputs)；

其中，M1是一个固定的超参数，l_mean为低权重组的均值，h_mean为高权重组的均值，targets为当前batch的图像对应的标签数组，outputs为步骤S2输出的预测值，criterion为交叉熵损失函数：

6.根据权利要求5所述的一种基于视觉的汽车表盘检测训练方法,其特征在于：所述S5中对标签进行重新标注的步骤包括，

S51、遍历S2输出的预测值，得到每张汽车仪表盘图像数据对应的概率最大预测值Pmax，令原来每张图片数据对应的标签概率为Ptarget；其中，Ptarget为给定标签的预测概率；

S52、当PmaxPtarget+M2时，判定当前索引对应的原标签为噪声标签，对其进行重新标注，其中，M2是一个固定的超参数。