买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：基于在线学习的多事例弱监督火星表面形态检测方法，属于机器视觉物体检测领域。本发明针对现有弱监督物体检测方法检测精度低和收敛于局部最优解的问题。包括对火星远景图像采用选择性搜索算法生成多个侯选框；采用VGG16网络模型对火星远景图像进行图像特征的提取；进而得到每个候选框的全连接特征；弱监督检测网络中，输入候选框的全连接特征，通过分类和检测分支判断每个候选框的类别和对候选框的位置信息进行打分，最后将两分支的得分相乘得到候选框的得分作为事例级标签；K级精细化网络层以多事例学习网络或者前一级分支的每个候选框的得分作为监督信息，对网络其他优化分支进行训练，并进行后向传播计算。本发明用于火星表面地形和目标的检测。

主权项：1.一种基于在线学习的多事例弱监督火星表面形态检测方法，其特征在于包括，采用火星远景图像构成训练集；每张火星远景图像配置地形类别标签；设置在线网络包括侯选框生成单元、VGG16网络模型和弱监督检测网络；在侯选框生成单元中对每张火星远景图像采用选择性搜索算法生成多个目标物体或目标地形的侯选框；采用在ImageNet上预训练好的VGG16网络模型对每张火星远景图像进行图像特征的提取；结合图像特征和每个侯选框的位置信息得到每个候选框的全连接特征；采用弱监督检测网络对每个候选框的全连接特征进行检测，由检测结果获得候选框包含目标物体或目标地形的位置检测评分；同时对每个候选框的全连接特征进行分类，并由分类结果得到类别评分；由候选框的位置检测评分与类别评分的点乘结果获得侯选框的初级事例级标签；以初级事例级标签作为监督信息，对每个侯选框的全连接特征采用K级精细化网络层逐级进行优化处理，获得侯选框的最终事例级标签；将每一级精细化网络层输出的事例级标签与相邻前一级精细化网络层输出的事例级标签或初级事例级标签进行比较，以及将每个候选框的分类结果与地形类别真值进行比较获得损失函数，基于损失函数优化弱监督检测网络，获得最终弱监督检测网络；采用最终弱监督检测网络对实时获取的火星远景图像进行火星表面形态检测；采用K级精细化网络层获得侯选框的最终事例级标签过程包括：在一级精细化网络层中，采用softmax分类器对每个候选框的全连接特征进行事例级分类，采用事例级分类结果修正初级事例级标签获得一级修正事例级标签；在二级精细化网络层中，采用softmax分类器对每个候选框的全连接特征进行事例级分类，采用事例级分类结果修正一级修正事例级标签获得二级修正事例级标签；……在K级精细化网络层中，采用softmax分类器对每个候选框的全连接特征进行事例级分类，采用事例级分类结果修正K-1级修正事例级标签获得K级修正事例级标签作为最终事例级标签；每张火星远景图像生成1000个目标物体或目标地形的侯选框；所述VGG16网络模型通过带有16层参数的权重进行反向传播；所述火星远景图像由NASA的mars32k数据集和GMSRI数据集提供；VGG16网络模型在训练弱监督检测网络时采取20个epoch迭代次数，前10个epoch的学习率为10-5，后10个epoch的学习率为10-6；优化器选择Adam。

全文数据：

权利要求：

百度查询： 哈尔滨工业大学 基于在线学习的多事例弱监督火星表面形态检测方法