[發明專利]一種基于圖卷積神經網絡的弱監督目標檢測方法

有效

• 申請號: 202010364601.6
• 申請日: 2020-04-30
• 公開（公告）號: CN111612051B
• 公開（公告）日: 2023-06-20
• 發明（設計）人: 顏成鋼;韓顧穩;史治國;孫垚棋;張繼勇;張勇東
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/82;G06N3/042;G06N3/0464;G06N3/048;G06N3/08
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 朱月芬

本發明公開了一種基于圖卷積神經網絡的弱監督目標檢測方法。本發明通過引入只檢測到物體一部分的偽標注框作為弱監督目標檢測網絡的監督條件，通過多實例網絡只檢測到物體的一部分而不是覆蓋全部物體；利用圖卷積神經網絡把檢測為物體框的鄰近且相交的候選框學習物體框的特征表示；因為和物體框相交的候選框也是物體的一部分，通過學習檢測為物體的框的特征表示來改變候選框的特征表示，鄰近的框學習檢測為物體的框的特征；候選框和檢測為物體框的特征表示就會相似，弱監督網絡測試的時候會把與檢測為物體框的鄰近候選框也分類為目標物體；從而檢測出的目標框覆蓋更大的面積和更全的物體，提高弱監督目標檢測的精度。

技術領域

本發明涉及機器學習計算機視覺以及人工智能領域，具體地說是一種基于圖卷積神經網絡的弱監督目標檢測方法。

背景技術

目標檢測是基于計算機視覺的基本問題，在醫療診斷和自動駕駛領域有著長足的發展。同時隨著機器學習的飛速發展，計算資源有了長足的進步，幾年來目標檢測模型性能得到了巨大的提升。但是目前的目標檢測模型基本上都是采用有標注框的訓練數據作為標注數據訓練目標檢測模型。這需要大量時間和物力對圖片進行標注。全監督目標檢測網絡模型精度有很大的提升。但是邊框的標注信息也有許多缺點。第一：大量的邊框標注信息提高了目標檢測的金錢成本，第二：人為標注的邊框信息存在誤差和錯誤，誤差和錯誤會使模型偏離預訓練的精度，使得精度變低。

由于全監督目標檢測需要花費大量的成本，以及會產生不必要的錯誤和誤差，弱監督模型就被推廣出來，弱監督模型的訓練標簽只有物體的類別信息，而沒有物體的位置信息，所以在進行目標檢測時，只能用類別信息作為監督條件，因此，弱監督目標檢測比全監督目標檢測的精度要低很多。

目前的弱監督目標監測模型都是利用多示例學習，利用類別標簽作為監督條件訓練一個弱監督目標檢測模型，然后通過弱監督目標檢測模型產生新的偽標注框作為訓練條件，來訓練一個全監督目標檢測模型，這樣就有了位置的標注信息。提高模型的檢測效率。

然而通過多示例學習之后的分類網絡往往準確率很低，檢測到的物體框只覆蓋物體的一部分，沒有完全覆蓋物體的全部，導致檢測精度降低。并且傳統的弱監督目標檢測網絡中，實例分類器提煉網絡模型是三層的迭代訓練模型，檢測模型結構冗余，降低了檢測的效率。

發明內容

本發明所要解決的技術問題是：提出一種基于圖卷積神經網絡的弱監督目標檢測方法，解決傳統的弱監督目標檢測網絡只檢測到物體的一部分而不是整個物體這一問題。本發明通過圖卷積神經網絡降低弱監督目標檢測模型的冗余性，從而提高弱監督目標檢測的精度，以及降低弱監督目標檢測的時間，提升目標檢測的效率。

針對上述實際情況，提出一種基于圖卷積神經網絡的弱監督目標檢測方法，通過引入只檢測到物體一部分的偽標注框作為弱監督目標檢測網絡的監督條件，通過多實例網絡只檢測到物體的一部分而不是覆蓋全部物體。利用圖卷積神經網絡把檢測為物體框的鄰近且相交的候選框學習物體框的特征表示。因為和物體框相交的候選框也是物體的一部分，通過學習檢測為物體的框的特征表示來改變候選框的特征表示，鄰近的框學習檢測為物體的框的特征。候選框和檢測為物體框的特征表示就會相似，弱監督網絡測試的時候會把與檢測為物體框的鄰近候選框也分類為目標物體。從而檢測出的目標框覆蓋更大的面積和更全的物體，提高弱監督目標檢測的精度。

本發明將兩個步驟的弱監督檢測模型簡化為一個端到端的網絡模型結構，不僅簡化了網絡模型。減少了弱監督目標檢測的時間，圖卷積網絡損失函數和弱監督模型的分類損失函數共同組成新的損失函數訓練弱監督檢測模型。提高弱監督檢測模型的精度，減少了弱監督檢測的時間。

本發明解決其技術問題所采用的技術方案具體包括以下步驟：

步驟(1)訓練數據集的準備階段：