[發明專利]一種弱交互式的物體檢測深度學習方法及其系統

有效

• 申請號: 201810299109.8
• 申請日: 2018-04-04
• 公開（公告）號: CN108537269B
• 公開（公告）日: 2022-03-25
• 發明（設計）人: 林倞;陳浩鈞;王青;江波
• 申請（專利權）人: 中山大學
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/82;G06K9/62
• 代理公司: 廣州容大知識產權代理事務所(普通合伙) 44326
• 代理人: 劉新年

1.一種弱交互式的物體檢測深度學習方法，包括：

步驟S1，選取一些無標簽數據進行物體識別的人工標注，并與一些公開的數據集組合成初始數據集；

步驟S2，選定一深度學習模型，利用步驟S1中的有標簽數據對所述深度學習模型進行模型訓練；

步驟S3，利用步驟S2訓練得到的模型對步驟S1獲得的初始數據集中的無標簽數據及有標簽數據分別進行特征提取；

步驟S4，于得到無標簽數據以及有標簽數據的特征后，將特征進行組合，建立特征矩陣，并利用有標簽的數據對無標簽數據進行標簽映射，將標簽映射到無標簽數據中，完成對無標簽數據的標注；

步驟S5，根據步驟S4的結果與步驟S1中的有標簽數據組合成一個新的有標簽數據訓練集；

步驟S6，利用新的有標簽數據訓練集重復步驟S2-S5對所述深度學習模型再次訓練，直至模型表現達到預期效果為止；

步驟S4進一步包括：

步驟S400，將所有有標簽數據的特征向量構建成一個特征矩陣A，并獲得相應的標簽矩陣L以及所選取的物體類別的閾值向量

步驟S401，利用所述特征矩陣A以及無標簽數據計算無標簽數據特征相對于有標簽數據特征的距離

步驟S402，利用閾值向量以及所述無標簽數據特征相對于有標簽數據特征的距離計算獲得標簽仿射矩陣

步驟S403，利用所述標簽仿射矩陣求得無標簽數據的標簽值；

步驟S404，將所述無標簽數據特征向量添加到所述特征矩陣A，生成新的特征矩陣A’，并更新相應的標簽矩陣；

步驟S405，當有新的無標簽數據時重復以上步驟。

2.如權利要求1所述的一種弱交互式的物體檢測深度學習方法，其特征在于，于步驟S5之前，還包括對步驟S4得到的結果進行人工篩選的步驟，于步驟S5中，將經人工篩選剔除錯誤識別后的數據以及步驟S1中的有標簽數據組合成所述新的有標簽數據訓練集。

3.如權利要求1所述的一種弱交互式的物體檢測深度學習方法，其特征在于：于步驟S400中，設有標簽數據的歸一化特征向量為標簽記為其中l₁、l₂、l_n為所選取的物體類別的標簽，設無標簽數據的歸一化特征向量為將所有有標簽數據的特征向量構建成一個特征矩陣相應的標簽矩陣為然后利用標簽矩陣L求得物體類別的閾值向量為代表類別l_n對應的閾值。

4.如權利要求3所述的一種弱交互式的物體檢測深度學習方法，其特征在于：于步驟S401中，利用用求得無標簽數據特征相對于有標簽數據特征的距離

5.如權利要求4所述的一種弱交互式的物體檢測深度學習方法，其特征在于：于步驟S402中，利用求得第一個物體類別的標簽仿射向量，利用求得第二個物體類別的標簽仿射向量，以此類推，求得各個物體類別的標簽仿射向量；其中當大于0時，當小于0時，然后將各個物體類別的標簽仿射向量組合成標簽仿射矩陣

6.如權利要求1所述的一種弱交互式的物體檢測深度學習方法，其特征在于：于步驟S2中，選取Faster R-CNN網絡作為所述深度學習模型。