[发明专利]基于稀疏标注数据集的新型目标检测方法与系统

权利要求书

1.一种基于稀疏标注数据集的新型目标检测系统，其特征在于，包括基于指数滑动平均的教师检测器和一个双图片输入端口的副教师检测器，其中：

教师检测器在训练期间不回传梯度，而仅在每次训练迭代结束时通过指数滑动平均方式更新参数，由指数滑动平均更新的教师检测器是双输入端口的副教师检测器的平滑版本；

教师检测器和双输入的副教师检测器的输入图像分别是原始的、弱增强的和强增强的，其中教师检测器输入图像是原始图像，即原始图像被馈送到教师检测器以生成教师伪标签集，弱增强和强增强图像被馈送到两个输入端口的副教师检测器以生成原始伪标签集；

每个原始伪标签集由教师检测器的输出的伪标签集联合稀疏标注框进行修正和整合，最后用修正整合完的标注框对副教师检测器的预测输出进行监督。

2.如权利要求1所述的基于稀疏标注数据集的新型目标检测系统，其特征在于，所述教师检测器和副教师检测器均采用全卷积单级目标检测器FCOS实现。

3.如权利要求1或2所述的基于稀疏标注数据集的新型目标检测系统，其特征在于，教师检测器和双输入的副教师检测器的输入图像分别是原始的、弱增强的和强增强的，通过两个单级目标检测器FCOS预测输出三组分类分数图、偏移量图和中心度图。

4.如权利要求1或2所述的基于稀疏标注数据集的新型目标检测系统，其特征在于，根据各个分支输出的预测图生成具有类别信息和位置信息的三组伪标签集合，即通过滤除目标分数较低的伪标签框和重叠度较大的冗余框得到最后的伪标签集合，依照教师网络的伪标签集合和已有的稀疏标注框集合，对副教师网络的两个分支A和B输出的伪标签集合进行修正操作，尽可能的滤除其中出现的错误类别信息或错误位置信息的伪标签框，输出两个分支各自的监督信号，以监督副教师网络输出的预测值。

5.如权利要求4所述的基于稀疏标注数据集的新型目标检测系统，其特征在于，所述目标分数为分类分数x中心度。

6.如权利要求1或2所述的基于稀疏标注数据集的新型目标检测系统，其特征在于，副教师网络的参数由监督信号和预测输出之间的损失函数回传的梯度进行更新，教师网络的参数由指数滑动平均EMA方式进行更新。

7.一种基于稀疏标注数据集的新型目标检测方法，其特征在于，所述方法包括如下步骤：

(1)构建一个双图片输入端口的副教师检测器，以及一个通过指数滑动平均方式更新参数的教师检测器，训练开始时为两者赋予相同的预训练模型参数；

(2)对稀疏标注的训练图片进行两种不同程度的数据增强；

(3)将原图、弱数据增强图和强数据增强图分别输入教师检测器分支和副教师检测器的两个分支，通过教师检测器分支和副教师检测器的两个分支分别预测输出三组分类分数图、偏移量图和中心度图；

(4)根据每一组各自的分类分数图、偏移量图生成每个参考点的伪标签框，滤除分类分数和中心度的乘积小于预设阈值的所有伪标签框，并通过非极大值抑制算法去除重叠度过高的冗余框，得到三个伪标签集合；

(5)根据得到的教师检测器的伪标签集合T去修正副教师检测器输出的伪标签集合A和B，将集合T中的所有伪标签分别转换到A和B的变换域中；

(6)转换变换域后的伪标签集合Ta/Tb，将Ta/Tb中与A和B的所有伪标签交并比小于设定阈值的伪标签作为遗漏的标注框，将A和B中所有与Ta/Tb中某个伪标签Pi交并比大于预设阈值且分类分数比Pi小的伪标签替换为Pi；

(7)将修正后的伪标签集合A`和B`分别与稀疏标注的标注框进行合并，去除其中所有与标注框交并比大于预设阈值的伪标签，得到两组监督信号，分别对相应的这两个分支输出的预测信息进行监督学习；

(8)按上述步骤训练预设周期后，将得到的检测器模型在完全标注的测试集上进行测试，测试其检测性能，达到预设性能后，通过上述检测器模型对待检测图像进行目标检测。