[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

本發明公開了一種弱交互式的物體檢測深度學習方法及系統，該方法包括：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中的有標簽數據對模型進行訓練；步驟S3，利用訓練得到的模型對初始數據集的無標簽數據及有標簽數據進行特征提取；步驟S4，將特征進行組合，建立特征矩陣，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對模型訓練，直至模型表現達到預期效果為止。

技術領域

本發明涉及深度神經網絡技術領域，特別是涉及一種弱交互式的物體檢測深度學習方法及其系統。

背景技術

圖像物體分類與檢測是計算機視覺研究中的兩個重要的基本問題，也是圖像分割、物體跟蹤、行為分析等其他高層視覺任務的基礎，是計算機視覺、模式識別與機器學習領域非常活躍的研究方向。物體分類與檢測在很多領域得到廣泛應用，包括安防領域的人臉識別、行人檢測、智能視頻分析、行人跟蹤等，交通領域的交通場景物體識別、車輛計數、逆行檢測、車牌檢測與識別，以及互聯網領域的基于內容的圖像檢索、相冊自動歸類等。計算機自動分類與檢測技術也在一定程度上減輕了人的負擔，改變了人類的生活方式。因此，物體分類與檢測的研究可以說是計算機視覺研究的基石，研究魯棒、準確的物體分類與檢測算法，提高物體分類與檢測算法的準確性，有著重要的理論意義和實際意義。

深度學習在物體檢測與分類的應用，使物體檢測與分類的準確性與傳統方法相比有較大的提升。可是，一方面，由于數據的復雜性以及場景應用的多樣性，利用深度學習訓練出來的模型并不一定能適用于全部情況，對于增強深度學習上模型在檢測與識別中的魯棒性，數據的多樣化無疑有著重要的地位；另一方面，在學術上使用的數據與真實場景相比還是有很大的差異性，學術上一些表現好的算法或模型應用到實際場景下并不一定好。在大數據時代，我們可以獲取得到海量的圖像和視頻數據，但這些數據絕大多數是沒有標簽的，對無標簽數據大量進行標注也是不現實的。從大量的沒有標簽的圖像數據中自動挖掘知識或者找到能夠減輕人工標注工作量的方法從而提高數據的利用率，無疑有著重要的意義。但目前，大多數研究者都是從算法網絡模型方面的創新進行研究，很少從如何提高數據利用率(大量的無標簽數據)方面以及提高錯誤樣本的利用率方面進行研究。

發明內容

為克服上述現有技術存在的不足，本發明之目的在于提供一種弱交互式的物體檢測深度學習方法及其系統，以提高無標簽數據的利用率。

為達上述及其它目的，本發明提出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。

優選地，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。

優選地，步驟S4進一步包括：