[發明專利]基于弱監督學習的用戶定制化目標檢測方法、系統和存儲介質

有效

• 申請號: 202011497649.0
• 申請日: 2020-12-17
• 公開（公告）號: CN112613548B
• 公開（公告）日: 2023-06-13
• 發明（設計）人: 鄭偉詩;羅京
• 申請（專利權）人: 中山大學
• 主分類號: G06V10/82
• 分類號: G06V10/82;G06V10/764;G06V10/40;G06N3/0464;G06N3/0895
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 李斌

1.基于弱監督學習的用戶定制化目標檢測方法，其特征在于，包括下述步驟：

構建目標檢測架構，所述目標檢測架構包括客戶端和服務端，所述客戶端采用PyQT設計，用于與服務端交互、采集網絡數據及過濾不良數據；所述服務端使用tornado搭建，用于接收用戶上傳數據、創建目標檢測模型、訓練模型、存儲模型、存儲訓練數據和檢測結果，所述服務端數據庫使用MySQL管理，用于圖像數據、標注數據和模型的存儲，所述目標檢測模型使用Pytorch搭建；所述客戶端采用PyQT設計，具體為：

項目設計，所述項目設計包括創建項目和打開項目，若選擇創建項目，則服務端生成項目文件夾用于管理新項目；若選擇打開項目，則選擇要打開某一具體項目；

模型檢測，所述模型檢測包括模型訓練和目標檢測；當選擇模型訓練，服務端自動生成模型并進行訓練，訓練好的模型被保存到服務端并由用戶命名；當選擇目標檢測，則選擇已經訓練好的模型版本，并選擇一個測試集，最終服務端會將測試集的圖像數據輸入所選模型進行目標檢測，并輸出結果到服務端；

數據傳輸，所述數據傳輸包括上傳訓練集、上傳測試集和下載檢測結果；若選擇上傳訓練集，則用戶從本地文件中選擇訓練集后上傳，上傳的數據集將被合并到該項目的訓練集中，一個項目只能有一個訓練集；若選擇上傳測試集，則用戶從本地文件中選擇測試集，命名后上傳，一個項目可有多個測試集；若選擇下載檢測結果，則用戶從服務端中下載模型的檢測結果；

數據爬取，輸入檢測和爬取數量，自動從網絡圖庫中爬取相關圖像，爬取結果將展示在界面中，過濾數據之后，并輸入該數據集的分類標簽并為數據集命名，將數據集上傳至服務端；

所述服務端使用tornado搭建，所述服務端用于訓練模型和目標檢測；訓練模型時，服務端分配GPU和內存資源，導入客戶端指定的訓練集，生成模型并訓練，訓練好的模型將保存于服務端并由相應項目管理；進行目標檢測時，服務端分配GPU和內存資源，導入客戶端指定的模型和測試集并執行目標檢測，目標檢測的結果將保存于服務端并由相應項目管理；

在客戶端上傳訓練所需的圖像數據和圖像類別標注數據，服務端根據標注類別數構建WSDDN-PCL弱監督目標檢測模型；所述WSDDN-PCL弱監督目標檢測模型的損失函數由兩部分組成：

其中L_WSDDN是WSDDN模型的多元交叉熵損失函數，是第i層自訓練網絡的損失函數；

服務端使用用戶上傳的圖像和標注數據訓練弱監督目標檢測模型，訓練好的模型保存在服務端；

在客戶端上傳需要檢測的圖像數據，服務端加載訓練好的目標檢測模型，并對用戶上傳的圖像數據進行檢測，將檢測結果存儲在服務端；

用戶從服務端下載檢測結果，完成目標檢測任務。

2.根據權利要求1所述基于弱監督學習的用戶定制化目標檢測方法，其特征在于，所述圖像數據和圖像類別標注數據從本地上傳；

或者使用圖像自動采集功能從互聯網圖庫中收集圖像數據，用戶在數據采集模塊中輸入關鍵字和采集數量，由系統從互聯網圖庫中爬取相關圖像，爬取結果將以略縮圖形式展示給用戶，并剔除不良數據，完成圖像爬取后，為爬取到的數據集命名，作為該數據集的類別標注。

3.根據權利要求1所述基于弱監督學習的用戶定制化目標檢測方法，其特征在于，使用ResNet-50模型作為提取圖片特征的主干網絡，網絡在ImageNet分類數據集上經過預訓練，訓練時，使用Adam優化算法來優化網絡參數。

4.根據權利要求1所述基于弱監督學習的用戶定制化目標檢測方法，其特征在于，所述WSDDN-PCL弱監督目標檢測模型是在傳統的以MIL方式為基礎的弱監督目標檢測模型上，增加了多層自訓練的細化網絡層，最終將多層細化網絡層的輸出取均值，作為模型的輸出。