[發明專利]基于生成對抗式網絡的一階段目標檢測方法、系統及裝置

有效

• 申請號: 202010636203.5
• 申請日: 2020-07-03
• 公開（公告）號: CN111767962B
• 公開（公告）日: 2022-11-08
• 發明（設計）人: 湯淑明;鄭群;朱海兵;杜清秀
• 申請（專利權）人: 中國科學院自動化研究所
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/40;G06V10/30;G06V10/82;G06N3/04
• 代理公司: 北京市恒有知識產權代理事務所(普通合伙) 11576
• 代理人: 郭文浩;尹文會

1.一種基于生成對抗式網絡的一階段目標檢測方法，其特征在于：該目標檢測方法包括：

基于獲取的輸入圖像，通過訓練好的目標檢測網絡獲取所述輸入圖像中各目標對應的目標圖像：

其中，所述目標檢測網絡基于Darknet-53網絡框架構建，并基于Wasserstein距離函數構建損失函數，其訓練方法為：

步驟A10，獲取訓練圖像集以及所述訓練圖像集中每一個圖像的真實目標圖像作為樣本標簽；

步驟A20，通過目標檢測網絡的特征提取模塊提取所述訓練圖像集中每一個圖像的特征，獲得訓練特征圖集；

步驟A30，隨機選取一個訓練特征圖，通過目標檢測網絡獲取所述訓練圖像的預測目標圖像；

步驟A40，基于所述訓練圖像的預測目標圖像及對應的樣本標簽，通過基于Wasserstein距離構建的損失函數計算目標檢測損失值；

步驟A50，若所述目標檢測損失值大于設定闕值，則更新所述目標檢測網絡的權重因子；

步驟A60，重復執行步驟A30-步驟A50直至所述目標檢測損失值小于設定闕值或達到預設訓練次數，獲得檢測好的目標檢測網絡；

步驟A30之前還設置有樣本擴充的步驟，其方法為：

步驟B10，對于所述訓練特征圖集中的每一個訓練特征圖：

通過空間扭曲變形特征網絡進行訓練特征圖的拉伸、扭曲、旋轉，生成不同程度的扭曲變形特征圖集；

通過空間遮擋特征網絡采用掩膜Mask機制進行訓練特征圖遮擋，生成不同遮擋程度的遮擋特征圖集；

通過超分辨特征網絡對訓練特征圖中小分辨率物體進行上采樣，將所述訓練特征圖變大為原圖的設定整數倍，獲得大尺度特征圖集；

步驟B20，將所述不同程度的扭曲變形特征圖集、不同遮擋程度的遮擋特征圖集、大尺度特征圖集合并入訓練特征圖集，獲得擴充后的訓練特征圖集。

2.根據權利要求1所述的基于生成對抗式網絡的一階段目標檢測方法，其特征在于，所述超分辨特征網絡基于生成對抗網絡構建，并通過生成對抗式方法進行訓練。

3.根據權利要求1所述的基于生成對抗式網絡的一階段目標檢測方法，其特征在于，所述Wasserstein距離函數為：

Wasserstein(P1，P2)＝inf(r∈Π(P1，P2))E_(x，y)～r[||x-y||]

其中，Wasserstein(P1，P2)代表P1和P2之間的Wasserstein距離，P1代表真值框的分布，P2代表預測框的分布，r∈Π(P1，P2)代表r屬于P1，P2的聯合分布，E_(x，y)～r[||x-y||]代表在聯合分布r下樣本對距離的期望值，inf代表對(r∈Π(P1，P2))取下界值。

4.根據權利要求1所述的基于生成對抗式網絡的一階段目標檢測方法，其特征在于，所述Wasserstein距離函數通過輔助函數對(r∈Π(P1，P2))取下界值，所述輔助函數為：

其中，sup代表支撐集，代表真值框期望，P_GT代表真值框分布，代表預測框期望，P_pre代表預測框分布，f_w(x)代表判別器參數，w為歸一化的目標檢測網絡的權重因子，k＞0為利普希茨函數中的常數；

所述輔助函數滿足利普希茨約束；所述利普希茨約束為：

|f(x₁)|-|f(x₂)|≤k*|x₁-x₂|。

5.根據權利要求4所述的基于生成對抗式網絡的一階段目標檢測方法，其特征在于，“基于Wasserstein距離函數構建損失函數”，其方法為：

其中，代表真值框期望，P_GT代表真值框分布，代表預測框期望，P_pre代表預測框分布，f_w(x)代表判別器參數，w為歸一化的目標檢測網絡的權重因子。