[發明專利]一種用于監控視頻車輛檢測的半監督帶噪聲學習方法

有效

• 申請號: 202110348338.6
• 申請日: 2021-03-31
• 公開（公告）號: CN113033679B
• 公開（公告）日: 2022-05-31
• 發明（設計）人: 王好謙;劉偉鋒
• 申請（專利權）人: 清華大學深圳國際研究生院
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06V10/764;G06V10/774;G06V20/40
• 代理公司: 深圳新創友知識產權代理有限公司 44223
• 代理人: 孟學英

本發明提供一種用于監控視頻車輛檢測的半監督帶噪聲學習方法，包括：在公開的目標檢測數據集上采用c角監督方法同時訓練c個標注器；用c個標注器在不帶標簽的業務數據上進行推斷得到c組檢測結果，分別計算每個車輛包圍框的置信度加權平均值作為整體輸出結果作為業務數據的集成標簽；公開的目標檢測數據集和帶集成標簽的業務數據混合得到混合數據集，混合數據集包含圖片和標簽，圖片和標簽分別來自于公開的目標檢測數據集和業務數據且保持圖片和標簽的對應關系，在混合數據集上采用全監督方式訓練校正器，校正器輸出校正標簽；將混合數據集的標簽替換為校正標簽，采用全監督方式訓練推斷器；采用推斷器實時處理監控視頻流檢測出車輛。

技術領域

本發明涉及計算機視覺與數字圖像處理技術領域，尤其涉及一種用于監控視頻車輛檢測的半監督帶噪聲學習方法。

背景技術

目標檢測，是指對圖像中所有物體進行定位，并將其分類到正確的類別中。在眾多的視覺應用中，這是一個基本的任務。高層次的活動分析通常建立在此步驟之上。此外，智能交通系統(ITS)是解決當前交通問題的理想方案。道路監控視頻每時每刻生成大量視頻數據，而目前使用的分析方法是人工觀察，效率低下且耗費大量人力物力財力。借助目標檢測算法，有望快速完成分析任務，節省大量勞動力。在視頻中對車輛進行檢測，是交通事故檢測和車輛再識別等后續任務的基礎。例如，可以根據檢測到的車輛包圍框計算出時間軌跡，再利用特定的后處理邏輯，只用極少人力就可以找到大規模監控視頻中帶有事故的視頻片段。這樣的算法可以幫助交管部門和保險公司等分析交通事故的發生原因和確定事故的責任主體。此外，車輛再識別有助于發現肇事逃逸車輛。

目前效果較好的目標檢測算法，大多使用基于全監督學習的深度模型，需要大量的標注數據進行訓練。而遮擋和光照等條件在視頻中差別很大；在密集的場景中，大量的小物體經常被遮擋，這是檢測模型難以處理的。因此需要大量具有場景多樣性的訓練數據。然而，公開數據集的大小有限，并且實際應用場景經常與公開數據集的場景有很大不同。如果只在公開數據集上訓練模型，過擬合就會很明顯。一些公司在使用深度學習技術時，會自行對特定應用場景下的數據進行標注。然而，由于視頻數據的規模較大，標注成本比圖像分類等數據集高得多。所以，用盡可能少的預算獲取大量的標注數據是一個挑戰。

許多應用場景要求檢測模型實時運行，甚至要求模型只在計算資源非常有限的移動設備上運行。通常情況下，大模型不能滿足速度要求，而小模型的檢測精度不足。需要在推理速度和檢測精度之間取得適當的平衡。

對特定應用場景下的數據進行標注，費時費力。而未標注的數據很容易獲得。半監督學習方法，充分利用少量的有標注數據和大量的無標注數據，能獲得與使用大量標注數據的全監督方法訓練得到的模型相近的效果。

COCO等公開數據集的標注結果中,存在一定的錯誤或不合理之處。而半監督學習方法,一般用深度網絡代替標注員得到標簽,這些標簽的準確率一般明顯低于人工標簽。現有的半監督學習算法一般未顯式地處理標簽中的噪聲，在后續訓練模型的過程中造成了不良影響。

以上背景技術內容的公開僅用于輔助理解本發明的構思及技術方案，其并不必然屬于本專利申請的現有技術，在沒有明確的證據表明上述內容在本專利申請的申請日已經公開的情況下，上述背景技術不應當用于評價本申請的新穎性和創造性。

發明內容

本發明為了解決現有的問題，提供一種用于監控視頻車輛檢測的半監督帶噪聲學習方法。

為了解決上述問題，本發明采用的技術方案如下所述：