[發(fā)明專利]一種基于深度卷積網(wǎng)絡(luò)的半監(jiān)督行人檢測方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201910264411.4
• 申請(qǐng)日: 2019-04-03
• 公開（公告）號(hào): CN110084131A
• 公開（公告）日: 2019-08-02
• 發(fā)明（設(shè)計(jì)）人: 雷詩謠;吳斯
• 申請(qǐng)（專利權(quán)）人: 華南理工大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62
• 代理公司: 廣州市華學(xué)知識(shí)產(chǎn)權(quán)代理有限公司 44245
• 代理人: 王東東

1.一種基于深度卷積網(wǎng)絡(luò)的半監(jiān)督行人檢測方法，其特征在于，包括

S1從公共數(shù)據(jù)集的100％完整的訓(xùn)練集中隨機(jī)抽取5％作為半監(jiān)督學(xué)習(xí)的訓(xùn)練集，保留其標(biāo)注，作為有標(biāo)注訓(xùn)練集，其余的95％作為未標(biāo)注的訓(xùn)練集，刪除其標(biāo)注；

S2采用有標(biāo)注的訓(xùn)練集訓(xùn)練改進(jìn)后的RPN卷積神經(jīng)網(wǎng)絡(luò)，得到訓(xùn)練后的RPN卷積神經(jīng)網(wǎng)絡(luò)；

S3采用未標(biāo)注的訓(xùn)練集對(duì)訓(xùn)練后的RPN卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行測試，根據(jù)測試得分評(píng)估未標(biāo)注樣本每個(gè)候選窗口的置信度，根據(jù)置信度判斷正類樣本并貼上偽正類樣本的標(biāo)簽，否則為偽負(fù)類樣本；

S4采用有標(biāo)注的數(shù)據(jù)集及偽標(biāo)注樣本再次訓(xùn)練改進(jìn)后的RPN卷積神經(jīng)網(wǎng)絡(luò)，所述偽標(biāo)注樣本包括偽正類樣本和偽負(fù)類樣本；

S5重復(fù)步驟S3-S4，直至改進(jìn)后的RPN卷積神經(jīng)網(wǎng)絡(luò)性能飽和，則訓(xùn)練停止。

2.根據(jù)權(quán)利要求1所述的半監(jiān)督行人檢測方法，其特征在于，所述改進(jìn)后的RPN卷積神經(jīng)網(wǎng)絡(luò)包括VGG-16網(wǎng)絡(luò)的前五層卷積網(wǎng)絡(luò),所述前五層網(wǎng)絡(luò)記作Conv_1，Conv_2，Conv_3，Conv_4，Conv_5，在Conv_5后連接一個(gè)卷積核為3*3的中間層卷積，所述中間卷積層分別與兩個(gè)1*1卷積層連接，所述Conv_5作為候選窗口特征提取層，卷積核為3*3的中間層卷積將所有位于Conv_5的候選窗口都輸出成512維的向量，然后將512維的向量輸入兩個(gè)1*1卷積層,輸出分類結(jié)果和回歸結(jié)果。

3.根據(jù)權(quán)利要求2所述的半監(jiān)督行人檢測方法，其特征在于，所述候選窗口的生成，具體是使用滑動(dòng)窗口遍歷RPN卷積神經(jīng)網(wǎng)絡(luò)中VGG-16的第五層卷積層即Conv_5，每個(gè)滑動(dòng)窗口中心設(shè)置9個(gè)anchor。

4.根據(jù)權(quán)利要求1所述的半監(jiān)督行人檢測方法，其特征在于，所述RPN卷積神經(jīng)網(wǎng)絡(luò)加入一致性約束項(xiàng)。

5.根據(jù)權(quán)利要求3所述的半監(jiān)督行人檢測方法，其特征在于，所述anchor寬高比設(shè)置為0.41。

6.根據(jù)權(quán)利要求1所述的半監(jiān)督行人檢測方法，其特征在于，所述改進(jìn)后的RPN卷積神經(jīng)網(wǎng)絡(luò)其它層卷積用均值為0，標(biāo)準(zhǔn)差為0的高斯分布初始化，所述其它層為卷積核為3*3的中間層卷積和其后面的兩個(gè)1*1卷積層。