[發明專利]針對目標檢測網絡的魯棒訓練方法有效
| 申請號： | 202010480420.X | 申請日： | 2020-05-30 |
| 公開（公告）號： | CN111723852B | 公開（公告）日： | 2022-07-22 |
| 發明（設計）人： | 李涵生;韓鑫;亢宇鑫;崔磊;楊林 | 申請（專利權）人： | 杭州迪英加科技有限公司 |
| 主分類號： | G06V10/774 | 分類號： | G06V10/774;G06V10/80;G06V10/82;G06K9/62;G06N3/04;G06N3/08 |
| 代理公司： | 北京博維知識產權代理事務所(特殊普通合伙) 11486 | 代理人： | 張倩 |
| 地址： | 311121 浙江省杭州市余杭區倉前街道*** | 國省代碼： | 浙江;33 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 針對 目標 檢測 網絡 訓練 方法 | ||
1.針對目標檢測網絡的魯棒訓練方法，其特征在于，包括：
獲取訓練樣本圖像，所述訓練樣本圖像上的部分檢測目標攜帶有人工標注框；
利用目標檢測網絡對所述訓練樣本圖像進行特征提取，在所述訓練樣本圖像上生成建議框；
在所述建議框上標記原始采樣標簽,原始采樣標簽包括正標簽和負標簽；
采用池化分支，對所述正標簽進行池化操作，輸出第一感興趣區域特征；
將所述第一感興趣區域特征輸入挖掘網絡，挖掘網絡為全連接神經網絡，挖掘網絡生成新的建議框標簽——挖掘標簽；
將所述挖掘標簽與所述原始采樣標簽進行融合生成金標簽；
將所述金標簽用于所述目標檢測網絡的訓練；
所述挖掘標簽的生成過程包括：將所述第一感興趣區域特征輸入挖掘網絡，挖掘網絡輸出帶有由softmax激活后的建議框類別的概率分布，對所述概率分布進行獨熱編碼，生成所述挖掘標簽，具體表示為：
其中，m表示挖掘標簽，表示挖掘網絡，表示第一感興趣區域特征；
所述金標簽是所述原始采樣標簽與所述挖掘標簽的并集，通過合并操作，所述原始采樣標簽中本該為正標簽卻被標記為負標簽的假負標簽，將被所述挖掘標簽更正，恢復為正標簽；
所述標簽合并過程表示為：，其中，=0表示用k索引的建議框被標記為負標簽，g表示金標簽，a表示原始采樣標簽，m表示挖掘標簽。
2.根據權利要求1所述的針對目標檢測網絡的魯棒訓練方法，其特征在于，所述用于目標檢測網絡訓練的損失函數為：
其中，p是帶有由softmax激活后的建議框類別的概率分布，g表示金標簽；
表示交叉熵損失，
其中，表示建議框數量，表示按i索引的帶有由softmax激活后建議框類別的概率分布，表示按i索引的金標簽；
表示定位損失；
表示挖掘損失，
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于杭州迪英加科技有限公司，未經杭州迪英加科技有限公司許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202010480420.X/1.html，轉載請聲明來源鉆瓜專利網。
