[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

本發明涉及針對目標檢測網絡的魯棒訓練方法，包括：獲取訓練樣本，所述訓練樣本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進行特征提取，在所述訓練樣本上生成建議框；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。

技術領域

本發明涉及計算機視覺及目標檢測技術領域，特別是涉及一種針對目標檢測網絡的魯棒訓練方法。

背景技術

近年來，基于卷積神經網絡（CNN）的目標檢測框架已經成為各種計算機視覺任務的強大的方法，并且在目標定位與目標統計任務上得到廣泛的應用。與此同時，基于卷積神經網絡（CNN）的目標檢測框架得到了持續改進，并提出了許多出色的體系結構。其中，包括針對區域提議的預處理步驟的基于區域的檢測框架（例如FasterRCNN，FPN），由于其更精確的檢測性能而得到廣泛使用。同時，許多方法通過優化特征提取器的網絡體系結構來繼續提高其性能。然而，如何增強非最優參數下的訓練魯棒性、以及網絡在各種標簽質量下的可訓練性，解決此類實際應用需求的方法卻很少得到提出。

發明內容

為了解決上述技術問題，提出了本申請，本申請提供了一種針對目標檢測網絡的魯棒訓練方法。

根據本申請的一個方面，提供了一種針對目標檢測網絡的魯棒訓練方法，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。

與現有技術相比，采用本申請實施例的一種針對目標檢測網絡的魯棒訓練方法，在目標檢測網絡的訓練過程中增加了建議框挖掘和標簽融合的過程，有效克服了由于人工標注框缺失或是設定的閾值（第一閾值和第二閾值）過高或者過低，建議框標注錯誤或是導致樣本出現過多假陽的現象，提高了網絡訓練過程的抗干擾性。

附圖說明

通過結合附圖對本申請實施例進行更詳細的描述，本申請的上述以及其他目的、特征和優勢將變得更加明顯。附圖用來提供對本申請實施例的進一步理解，并且構成說明書的一部分，與本申請實施例一起用于解釋本申請，并不構成對本申請的限制。在附圖中，相同的參考標號通常代表相同部件或步驟。

圖1是本發明針對目標檢測網絡的魯棒訓練方法的流程圖；

圖2是圖1處理階段劃分圖；

圖3是在稀疏的VOC2007訓練集上進行訓練時產生的一些正標簽示例；

圖4是稀疏COCO下采用普通訓練方法和本申請提出的訓練方法得到的目標檢測網絡的結果對比圖（1）；

圖5是COCO下采用普通訓練方法和本申請提出的訓練方法得到的目標檢測網絡的結果對比圖（2）。

具體實施方式

下面，將參考附圖詳細描述本申請的示例實施例。顯然，所描述的實施例僅僅是本申請的一部分實施例，而不是本申請的全部實施例，應理解，本申請不受這里描述的示例實施例的限制。

申請概述