[發明專利]用于圖像的對象檢測的樣本加權學習系統及其方法

在審

• 申請號: 202010431851.7
• 申請日: 2020-05-20
• 公開（公告）號: CN113723395A
• 公開（公告）日: 2021-11-30
• 發明（設計）人: 潘瀅煒;王羽;劉金根;姚霆;梅濤
• 申請（專利權）人: 北京京東尚科信息技術有限公司;北京京東世紀貿易有限公司
• 主分類號: G06K9/32
• 分類號: G06K9/32;G06K9/62;G06N3/04
• 代理公司: 中科專利商標代理有限責任公司 11021
• 代理人: 羅松梅

1.一種用于圖像處理的樣本權重生成系統，所述系統包括：

特征變換設備，用于將輸入的第一特征、第二特征、第三特征和第四特征分別變換為第一密集特征、第二密集特征、第三密集特征和第四密集特征；

樣本特征生成設備，用于使用變換函數根據第一密集特征、第二密集特征、第三密集特征和第四密集特征來生成聯合樣本特征；

權重預測設備，用于根據生成的樣本特征來為樣本預測分類損失的樣本權重和回歸損失的樣本權重。

2.一種用于圖像的對象檢測的樣本加權學習系統，所述系統包括：

輸入設備，用于針對每個樣本接收輸入的第一特征、第二特征、第三特征和第四特征；

特征變換設備，用于將輸入的第一特征、第二特征、第三特征和第四特征分別變換為第一密集特征、第二密集特征、第三密集特征和第四密集特征；

樣本特征生成設備，用于使用變換函數根據第一密集特征、第二密集特征、第三密集特征和第四密集特征來生成聯合樣本特征；

權重預測設備，用于根據生成的樣本特征來為每一個樣本預測分類損失的樣本權重和回歸損失的樣本權重；

損失函數計算設備，用于根據預測的分類損失的樣本權重和回歸損失的樣本權重來計算損失函數；以及

特征變換調整設備，用于基于計算的損失函數來調整樣本特征生成設備所使用的變換函數。

3.一種用于圖像處理的樣本權重生成方法，所述方法包括：

將輸入的第一特征、第二特征、第三特征和第四特征分別變換為第一密集特征、第二密集特征、第三密集特征和第四密集特征；

使用變換函數根據第一密集特征、第二密集特征、第三密集特征和第四密集特征來生成聯合樣本特征；

根據生成的樣本特征來為樣本預測分類損失的樣本權重和回歸損失的樣本權重。

4.根據權利要求3所述的樣本權重生成方法，其中：

所述預測的分類損失的樣本權重和回歸損失的樣本權重是分別由第一指數函數和第二指數函數得出的。

5.一種用于圖像的對象檢測的樣本加權學習方法，所述方法包括：

第一步驟：針對每個樣本接收輸入的第一特征、第二特征、第三特征和第四特征；

第二步驟：對輸入的第一特征、第二特征、第三特征和第四特征進行變換；

第三步驟：使用變換函數根據第一密集特征、第二密集特征、第三密集特征和第四密集特征來生成聯合樣本特征；

第四步驟：根據生成的樣本特征來為每一個樣本預測分類損失的樣本權重和回歸損失的樣本權重；

第五步驟：根據預測的分類損失的樣本權重和回歸損失的樣本權重來計算損失函數；

第六步驟：根據計算的損失函數來調整所述變換函數。

6.根據權利要求5所述的樣本加權學習方法，其中所述第二步驟還包括：

將輸入的第一特征變換為第一密集特征的步驟；

將輸入的第二特征變換為第二密集特征的步驟；

將輸入的第三特征變換為第三密集特征的步驟；以及

將輸入的第四特征變換為第四密集特征的步驟。

7.根據權利要求5所述的樣本加權學習方法，其中所述第四步驟還包括：

預測分類損失的樣本權重的步驟；以及

預測回歸損失的樣本權重的步驟。

8.根據權利要求5所述的樣本加權學習方法，其中所述第一特征是分類損失，所述第二特征是回歸損失，所述第三特征是交并比，以及所述第四特征是分類概率。

9.根據權利要求5所述的樣本加權學習方法，其中所述第一步驟還包括接收第五特征；以及所述方法還包括將輸入的第五特征變換為第五密集特征的步驟。

10.根據權利要求9所述的樣本加權學習方法，其中所述第五特征是掩膜損失。