[發明專利]結合主動學習和噪聲篩除的視頻分析方法、裝置及介質

在審

• 申請號: 202211325980.3
• 申請日: 2022-10-27
• 公開（公告）號: CN115631379A
• 公開（公告）日: 2023-01-20
• 發明（設計）人: 王力;馬漢林;盧桂福;劉強
• 申請（專利權）人: 武漢市萬睿數字運營有限公司
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/30;G06V10/774
• 代理公司: 深圳市精英專利事務所 44242
• 代理人: 丁宇龍

本發明公開了結合主動學習和噪聲篩除的視頻分析方法、裝置及介質，該方法包括：獲取初始圖像，添加不同強度的噪聲；利用目標檢測網絡對圖像序列中每一圖像進行目標檢測；計算每一張初始圖像的最大置信度和不確定得分，并根據計算結果將初始圖像劃分為目標樣本和人工標注樣本；利用目標檢測網絡對標注樣本進行循環迭代訓練，并記錄循環迭代訓練過程中的樣本損失；選取樣本損失小于預置損失閾值的目標樣本作為偽標簽樣本，結合偽標簽樣本和人工標注樣本對目標檢測網絡進行訓練，并利用訓練后的目標檢測網絡對指定的視頻圖像進行檢測分析。本發明基于主動學習集成偽標簽學習和深度學習訓練噪音樣本篩選技術，可提高視頻圖像的分析效率和準確度。

技術領域

本發明涉及主動學習技術領域，特別涉及結合主動學習和噪聲篩除的視頻分析方法、裝置及介質。

背景技術

在視頻分析領域，需要全天不斷地實時分析監控畫面，因此會采集到大量的未經標注的圖像。盡管一一標注所有的圖像有利于模型準確率的提升，但引入大量的人工標注過于耗時耗力,不可避免地造成了成本問題。

主動學習的核心思想是，使用模型和機器學習方法，從未標注的樣本中挑選出某些具有更高價值的樣本來給人工標注，這樣能夠低成本地快速繼續補充模型的訓練集，使模型的迭代和優化能夠持續進行下去。挑選訓練樣本的策略稱之為查詢策略。現有的方法通常計算樣本的置信度、信息熵等指標，通過設定閾值來劃分難例和容易例，并將難例交給標注人員標注。即挑選出某些更高價值的樣本進行人工標注，從而在減輕人工工作量的同時保證標注樣本的代表性。然而，在面對海量樣本的時候，人工工作量依然十分巨大，無法高效地完成相應的標注工作。

發明內容

本發明實施例提供了一種結合主動學習和噪聲篩除的視頻分析方法、裝置、計算機設備及存儲介質，旨在提高視頻圖像的分析效率和準確度。

第一方面，本發明實施例提供了一種結合主動學習和噪聲篩除的視頻分析方法，包括：

獲取多張未標注圖像作為初始圖像，并針對每一所述初始圖像，添加不同強度的噪聲，得到包含初始圖像和多張噪聲圖像的圖像序列；

利用目標檢測網絡對所述圖像序列中每一圖像進行目標檢測，得到每一張圖像的目標檢測結果；

結合所述目標檢測結果計算每一張所述初始圖像的最大置信度和不確定得分，并根據計算結果將所述初始圖像劃分為目標樣本和人工標注樣本；

利用所述目標檢測網絡對所述標注樣本進行循環迭代訓練，并記錄循環迭代訓練過程中的樣本損失；

選取樣本損失小于預置損失閾值的目標樣本作為偽標簽樣本，結合所述偽標簽樣本和人工標注樣本對所述目標檢測網絡進行訓練，并利用訓練后的目標檢測網絡對指定的視頻圖像進行檢測分析。

第二方面，本發明實施例提供了一種結合主動學習和噪聲篩除的視頻分析裝置，包括：

圖像獲取單元，用于獲取多張未標注圖像作為初始圖像，并針對每一所述初始圖像，添加不同強度的噪聲，得到包含初始圖像和多張噪聲圖像的圖像序列；

目標檢測單元，用于利用目標檢測網絡對所述圖像序列中每一圖像進行目標檢測，得到每一張圖像的目標檢測結果；

樣本篩選單元，用于結合所述目標檢測結果計算每一張所述初始圖像的最大置信度和不確定得分，并根據計算結果將所述初始圖像劃分為目標樣本和人工標注樣本；

循環迭代單元，用于利用所述目標檢測網絡對所述標注樣本進行循環迭代訓練，并記錄循環迭代訓練過程中的樣本損失；

視頻分析單元，用于選取樣本損失小于預置損失閾值的目標樣本作為偽標簽樣本，結合所述偽標簽樣本和人工標注樣本對所述目標檢測網絡進行訓練，并利用訓練后的目標檢測網絡對指定的視頻圖像進行檢測分析。