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！

申请/专利权人：西安电子科技大学

摘要：本发明提出了一种基于边界框回归的弱监督目标检测方法，用于解决现有技术中存在的目标检测准确率较低以及检测过程繁琐的技术问题，具体步骤如下：1获取训练样本集和测试样本集；2构建基于边界框回归的弱监督目标检测网络模型H；3对基于边界框回归的弱监督目标检测网络模型H进行迭代训练；4获取弱监督目标检测结果。本发明构建了一个包含有边界框回归网络的弱监督目标检测网络模型，在对该模型进行训练的过程中，利用两个检测同一目标的边界框有更大的交并比实现边界框的合并操作，为边界框回归提供了更加精确的伪标签，有效提高了目标检测的准确率。

主权项：1.一种基于边界框回归的弱监督目标检测方法，其特征在于，通过在弱监督目标检测中加入边界框回归网络提升网络模型的检测精度，包括如下步骤：1获取训练样本集和测试样本集：获取包括C个目标类别的N幅RGB图像，并对每幅图像中的目标类别进行标注，然后对目标类别标注后的每幅图像进行归一化，最后将N幅归一化RGB图像中半数以上的图像及其目标类别标签组成训练样本集，将其余图像及其目标类别标签组成测试样本集，其中，C≥2，N≥5000；2构建基于边界框回归的弱监督目标检测网络模型H：构建包括特征提取网络以及与其输出端连接的多实例检测网络、自训练网络和边界框回归网络的弱监督目标检测网络模型H，其中：特征提取网络包括多个卷积层、多个最大池化层和多个第一全连接层；多实例检测网络包括并行排布的两个网络层，该两个网络层均包括顺次连接的第二全连接层和Softmax层，该两个网络层的输出进行级联；自训练网络包括并行排布的三个网络层，该三个网络层均包括顺次连接的第三全连接层和Softmax层；边界框回归网络包括并行排布的两个网络层，其中一个网络层包括顺次连接的第四全连接层和Softmax层，用于实现目标分类，另一个网络层采用第五全连接层，用于实现目标定位；3对基于边界框回归的弱监督目标检测网络模型H进行迭代训练：3a初始化迭代次数为w,最大迭代次数为W，W≥20000，并令w＝1；3b将训练样本集作为基于边界框回归的弱监督目标检测网络模型H的输入，特征提取网络对每个训练样本进行特征提取；多实例检测网络利用所提取特征图对其对应的训练样本进行边界框分类，得到边界框得分矩阵x0；自训练网络中的第k个网络层分别利用所提取特征图对其对应的训练样本进行边界框分类，得到边界框得分矩阵xk；边界框回归网络利用所提取特征图对其对应的训练样本进行目标分类和目标定位，得到每个训练样本的目标预测类别与目标预测边界框，其中，k∈{1,2,3}；3c对弱监督目标检测网络模型所包含的四个子网络中的权值参数进行更新，得到本次迭代的弱监督目标检测网络模型Hw，其中更新过程中计算边界框回归网络中两个网络层的损失值时，采用的是利用自训练网络中第三个网络层得到的边界框得分矩阵x3生成的伪标签；3d判断w＝W是否成立，若是，得到训练好的基于边界框回归的弱监督目标检测网络模型H*，否则，令w＝w+1，并执行步骤3b；4获取弱监督目标检测结果：将测试样本集作为训练好的基于边界框回归的弱监督目标检测网络模型H*的输入，边界框回归网络利用特征提取网络所提取特征图对其对应的测试样本进行目标分类和目标定位，得到每个测试样本的目标预测类别与目标预测边界框。

全文数据：

权利要求：

百度查询： 西安电子科技大学 基于边界框回归的弱监督目标检测方法