[發明專利]一種基于弱監督判別機制的圖像目標檢測方法、系統及裝置

有效

• 申請號: 202110405637.9
• 申請日: 2021-04-15
• 公開（公告）號: CN113095235B
• 公開（公告）日: 2023-10-27
• 發明（設計）人: 喬學明;尹明立;朱偉義;鄭鵬飛;孫海峰;孟平;湯耀;王超;宮寶凝;劉振華;翟明遠;呂琳;代勤瑞;李曉芳;朱東杰
• 申請（專利權）人: 國家電網有限公司;國網山東省電力公司威海供電公司
• 主分類號: G06V20/60
• 分類號: G06V20/60;G06V10/46;G06V10/762;G06V10/82;G06N3/0464;G06N3/044;G06N3/08
• 代理公司: 哈爾濱市松花江專利商標事務所 23109
• 代理人: 時起磊

1.一種基于弱監督判別機制的圖像目標檢測方法，其特征在于，包括以下步驟：

針對于待檢測的圖像，利用目標檢測網絡模型進行檢測；所述的目標檢測網絡模型處理過程包括以下步驟：

首先，將圖像輸入到特征提取網絡提取特征；

然后，將提取的特征送到CCN網絡進行處理；所述CCN網絡包括三個平行的卷積網絡，三個平行的卷積網絡分別記為網絡A、網絡B和網絡C，每個卷積網絡均包括4個卷積層、一個單級SPP層和一個FC層，FC層即全連接層；

網絡A和網絡B的FC層激活函數分別采用sigmoid和softmax；將網絡A中FC層的輸出傳入到網絡B的spp層，同時將網絡B中FC層的輸出傳入到網絡A的spp層；網絡C的FC層激活函數采用sigmoid激活方式，并且FC層之后設有一個1×1卷積層；對于網絡C，第i個圖像、第j類得分概率為目標總數為T。

2.根據權利要求1所述的一種基于弱監督判別機制的圖像目標檢測方法，其特征在于，所述的目標檢測網絡模型是預先訓練好的，訓練過程包括以下步驟：

S1、將訓練集中的圖像輸入到特征提取網絡中提取圖像特征；

S2、將提取的特征送到CCN網絡進行處理；

S3、對于給定的圖像，對圖像目標進行邊框框選，并進行目標邊框細化，目標邊框細化的具體包括以下步驟：

四一、首先給出圖像候選目標，給定一個圖像實例I⁽ⁱ⁾，其候選目標標簽為

Y′＝[y₁,...,y_c,...,y_C]^T∈(0,1)^C，c∈{1,...,C}

C為圖像實例I⁽ⁱ⁾候選目標數量，y_c表示某個候選目標的標簽，Y′表示圖像的標簽；

四二、將整個候選目標進行邊框框選，使用σ(y_i,R)表示候選目標y_i與附近區域R之間的相關性；

其中，S(y_i)和S(R)分別表示y_i和R的像素面積；

如果σ(y_i,R)＞λ，則將R劃入對應目標框之中；對于目標y_i，逐步擴大附近區域，直至相關性小于閾值λ，停止；最終得到候選目標y_i邊框區域IoU(i)；

S4、根據步驟S2網絡C得到的特征以及S3得到的目標邊框進行目標聚類，具體過程包括以下步驟：

五一、在每次聚類之前，首先根據區域置信度閾值δ_out對目標進行過濾，不到δ_out的提案被直接否決；

五二、然后進行聚類，聚類過程包括兩個主要階段，即類間聚類和類內聚類：

五二一、對于類間聚類，隨機給出聚類個數c，對每個類分別制作一組建議包圍框C^j，C^j＝max{IOU(i₁),IOU(i₂),...,IOU(i_k)}，k為該目標類目標個數；

給定圖像中存在c個類，生成c類間簇，每個類間簇含具有相同類別和區域得分至少高于δ_score的目標，然后利用目標邊界框進行類內聚類；

五二二、對于每一次類間聚類，迭代執行類內聚類m次，在每次迭代中，對于每個類，區域最大的C^j對應的目標中心被設置為該類的質心，記為k_j，j＝1,2,...,c；計算所述圖像上所有目標到每個類質心的距離，針對圖像上每個目標，利用網絡C的確定每個目標的特征，根據目標的特征進行如下計算：

其中，fig_p、表示目標p的中心、質心k_j對應的目標特征；

然后將dis_j從小到大排序，確定目標p屬于dis_j最小所對應的類；

完成一次類內聚類迭代之后，圖像會新生成c個類，但是目標和對應的IoU(i)是不變的；在下一次類內聚類迭代中，將更新后區域最大的C^j對應的目標中心設置為質心，再次重復計算該圖像上所有目標到每個類質心的距離dis；進行m次迭代，從而完成類內聚類；

五二三、更新δ_out并進行下一次類間聚類：創建一個用于保存特定類中實例集群的成員數集合Z，μ_Z和σ_Z分別表示Z的均值和標準差，將集合Z中的每個數據點z減去標準差得到o＝z-σ_z；然后將o與均值行比較，如果o小于μ_Z，則將數據點z作為Y的成員，Y＝{z|z∈Z,o＜μ_Z,o＝z-σ_z}；集合Y是一個用于存儲實例集群的成員數集合；

然后，計算集合Y的均值μ_Y和標準差δ_Y；通過計算μ_Y和δ_Y的平均值來計算離群點閾值其中int表示取整；如果Y中的實例集群的成員數小于或等于δ_out，則將其視為離群點集群并被丟棄；

S5、利用訓練集對模型進行訓練。