[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

说明书

本发明公开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；本发明从弱监督角度出发，利用只有图像层面的弱标注的图片学习目标检测，利用Grad‑CAM信息挖掘出特征图中潜在的目标位置，接着将Grad‑CAM信息转化为边缘－前景响应图进一步分析候选框与图中高激活区域的空间位置关系，对于正确定位在目标完整轮廓位置的候选框赋予更大的学习权重，对于边框落在目标内部的候选框权重值进行抑制，并缓解基准框信息的缺失导致弱监督目标检测模型通常容易陷入局部最优问题，有效的改进了原有弱监督目标检测模型，提升了检测性能和准确性。

技术领域

本发明涉及计算机视觉技术领域，具体为一种基于候选框权重重分配的弱监督目标检测方法。

背景技术

近年来，随着计算机硬件和算力的提升，计算机视觉和数字图像处理技术取得了飞速的发展，目标检测作为计算机视觉领域的一个基础研究方向，近年来一直是人工智能和机器学习等领域的研究热点，其相关核心技术也被广泛地应用于智慧工地、轨道交通、公路养护、智慧停车、智慧安防等诸多领域，在身份识别领域，目标检测作为人体姿态估计、目标分割、人脸识别等视觉任务的关键环节之一，其检测结果将直接影响到一系列相关视觉任务的目标跟踪、识别和行为描述结果，然而，目标检测仍然是个开放的研究问题，还存在很大的提升空间和潜力，目标检测技术的研究仍然是一项非常具有挑战性的课题，具有较大的理论研究价值和广泛的工业应用前景。

随着卷积神经网络的快速发展，目标检测技术在大规模数据集支撑下取得了许多进展，通常这些数据集的样本都包含了精确的目标类别和位置等强标注信息，然而，获取到这种带有强标注信息需要耗费大量的人力资源和时间成本，很难满足各领域的实际应用需求，相比之下，获取图像级类别标注信息会容易许多，可以通过图片搜索引擎从互联网来获取海量的带图片级类别注释信息的样本，基于这种情况，弱监督目标检测任务便成为了一个具有实际应用推广价值的研究课题，弱监督目标检测模型在训练阶段仅利用图像类别标签作为监督信息；而训练好的模型在推理时则可以输出图像中的目标位置以及对应类别信息，目前，许多主流的弱监督目标检测方法都是基于多实例学习的框架来开展研究，多实例学习方法将一张图像看成一个包，将所有候选框看成多个实例，如果一个包中至少包含一个正实例，则该包称作正包；反之如果包所有实例都为负实例，则该包称为负包，目标检测模型(实例分类器)在多实例约束下训练，当然，随着卷积神经网络取得的巨大进展，卷积神经网络在特征抽象和描述能力方面有手工特征不可比拟的优势，因而，近期的弱监督检测研究工作大都是将多实例学习和卷积神经网络相结合来获得更好的弱监督目标检测性能。

目前的弱监督目标检测算法通常依靠传统图像边缘检测算法来生成候选区域，并且性能差强人意，基准框信息的缺失导致弱监督目标检测模型通常容易陷入局部最优问题。

发明内容

本发明的目的在于提供一种基于候选框权重重分配的弱监督目标检测方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：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；