[發明專利]一種基于改進yolov5的端到端半監督目標檢測方法

在審

• 申請號: 202210053449.9
• 申請日: 2022-01-18
• 公開（公告）號: CN114399683A
• 公開（公告）日: 2022-04-26
• 發明（設計）人: 楊帆;況易田;胡建國
• 申請（專利權）人: 南京甄視智能科技有限公司
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/774;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京德崇智捷知識產權代理有限公司 11467
• 代理人: 曹婷

1.一種基于改進yolov5的端到端半監督目標檢測方法，其特征在于，包括：

S1：創建數據集，并對yolov5網絡的學生模型和教師模型進行初始化；其中，所述數據集包括標注數據和未標注數據，將所述標注數據劃分為訓練集和測試集；

S2：yolov5網絡對標注數據和未標注數據分別進行加載，然后對訓練集中的標注數據進行強數據增強，得到第一增強標注數據；對所述未標注數據分別進行強數據增強和弱數據增強，分別得到第一增強未標注數據和第二增強未標注數據；

S3：將第一增強標注數據和第一增強未標注數據輸入到所述學生模型進行訓練，得到第一增強標注數據和第一增強未標注數據在學生模型上的輸出；

S4：將第二增強未標注數據輸入到教師模型進行推理，根據閾值T生成所述第二增強未標注數據的偽標簽，并轉化為第一增強未標注數據的偽標簽；

S5：對帶標簽的所述第一增強標注數據和帶偽標簽的所述第一增強未標注數據分別計算損失，分別得到監督損失和無監督損失，計算所述監督損失和所述無監督損失的加權和，得到總損失；

S6：通過總損失對所述學生模型進行更新，得到更新后的學生模型；

S7：更新后的學生模型再通過ema算法對所述教師模型進行更新，得到更新后的教師模型；

S8：通過所述測試集對更新后的學生模型和教師模型進行測試，獲取測試結果；

S9：重復步驟S3至步驟S8，選取測試結果最好的模型作為目標模型；

S10：通過所述目標模型對目標進行檢測。

2.如權利要求1所述的目標檢測方法，其特征在于，所述步驟S4中，閾值T的范圍包括：

其中，T表示生成偽標簽的閾值，T_min表示設定的最小初始閾值，epoch表示當前訓練的輪數，e₁表示設定閾值開始變化的輪數，T_max表示設定的最大閾值，t表示閾值每次更新的幅度。

3.如權利要求2所述的目標檢測方法，其特征在于，所述步驟S7中，ema算法包括：

W_T＝αW_T+(1-α)W_S；

其中，W_T表示教師模型的權重，W_S表示學生模型的權重，α是設定的超參數，且α∈(0,1)。

4.如權利要求3所述的目標檢測方法，其特征在于，所述步驟S5中，所述無監督損失包括cls_loss、box_loss和obj_loss，通過難例挖掘策略對obj_loss進行優化，包括：

其中，obj表示目標，表示未標注數據的目標損失，l_obj表示目標的損失函數，P表示偽標簽集合，a^fg和a^bg_sel分別表示被分配為前景的框和被分配為背景的難例挖掘的框，和分別表示a^fg和a^bg_sel的數量。