[发明专利]一种基于候选框权重重分配的弱监督目标检测方法

权利要求书

1.一种基于候选框权重重分配的弱监督目标检测方法，包括以下步骤：步骤一，图片采集处理；步骤二，模型训练；步骤三，收敛验证；步骤四，模型推理；其特征在于：

其中在上述步骤一中，首先采集训练使用的图片作为训练集，随后对训练集的图片进行定义，将图片I分成R个候选框，预测类别数为C；

其中在上述步骤二中，当步骤一中的图片采集处理完成后，进行模型训练，训练步骤包括：

1)初始化卷积神经网络；

2)神经网络前向传播获得图像的特征图；

3)分类分支前向传播并获得Grad-CAM信息M^C；

4)根据Grad-CAM信息为特征图中每个像素值分配类别伪标签，令是空间位置(i，j)上关于类别c的激活值；

5)通过一个尺寸为w的滑动窗口扫描上述Grad-CAM，令为以中心位置(i，j)所对应的窗口包含类别为c的像素点数量，则每个滑窗区域的统计量计算公式为：

6)若滑窗中心像素点满足以下条件，则视其为目标边缘点：第一、滑窗内包含足够多相同类别的像素点；第二、滑窗内包含的前景类别像素和背景类别像素的个数相近，定义τ_area和τ_diff分别对应两个条件中的阈值；

7)若滑窗中心像素点满足以下条件，则视为目标前景点：第一、滑窗内包含足够多相同类别的像素点；第二、滑窗内包含的前景类别像素和背景类别像素的个数差异足够大，定义τ_area和τ_diff分别对应两个条件中的阈值；

8)通过候选框四条边框位置所对应的像素点分配的边缘标签和前景标签，计算每个候选框的边缘一前景响应权重；

9)结合候选框的权值来计算目标检测分支的损失，得出损失的结果；

其中在上述步骤三中，当步骤二中的损失结果得出后，使用随机梯度下降算法更新参数，随后重复步骤二中的2)-9)小步骤，直至模型收敛位置，随后带入训练完成的模型中进行测试，合格后完成模型的训练；

其中在上述步骤四中，当步骤三中的模型训练完成后，利用训练完成的模型对目标进行推理检测，首先初始化卷积神经网络，随后神经网络前向传播获得图像的特征图，继而质量分析模块获得候选框稳定性得分并进行候选框过滤，最后目标检测分支前向传播并获得目标检测结果。

2.根据权利要求1所述的一种基于候选框权重重分配的弱监督目标检测方法，其特征在于：所述步骤二中，所对应的类别伪标签T_ij计算公式为：

其中0和-1分别表示背景标签和不确定类标签，τ_fg和τ_bg分别对应前景和背景阈值。

3.根据权利要求1所述的一种基于候选框权重重分配的弱监督目标检测方法，其特征在于：所述步骤二中，关于像素点(i，j)的边缘标签计算公式如下：

4.根据权利要求1所述的一种基于候选框权重重分配的弱监督目标检测方法，其特征在于：所述步骤二中，关于像素点(i，j)的边缘标签计算公式如下：

5.根据权利要求1所述的一种基于候选框权重重分配的弱监督目标检测方法，其特征在于：所述步骤二中，边缘-前景响应权重的计算公式如下：

其中，λ为权重因子。

6.根据权利要求1所述的一种基于候选框权重重分配的弱监督目标检测方法，其特征在于：所述步骤二中，损失函数为：