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：哈尔滨工业大学(深圳)

摘要：本发明提供了一种自适应实例分类器细化的弱监督目标检测方法，包括以下步骤：1）通过骨干网络提取图像中目标候选区域的特征，作为分类器的输入；2）通过多实例检测网络训练基本的分类器，生成下一阶段的监督信息；3）通过自适应实例分类器细化框架逐步训练细化的分类器以尽可能多地检测到完整的目标。本发明的有益效果是：利用候选区域的分数分布和空间相似性，可以尽可能多地检测图像中完整的目标，缓解检测器陷入局部最优状态的问题。

主权项：1.一种自适应实例分类器细化的弱监督目标检测方法，其特征在于，包括以下步骤：1通过骨干网络提取图像中目标候选区域的特征，作为分类器的输入；2通过多实例检测网络训练基本的分类器，生成下一阶段的监督信息；3通过自适应实例分类器细化框架逐步训练细化的分类器以尽可能多地检测到完整的目标；所述的骨干网络由原始的VGGNet添加一个空间金字塔池化层和两个全连接层修改而成；在步骤2中，所述的多实例检测网络的建立方法如下：a2、将步骤c1生成的两个特征向量分别馈入两个具有全连接层的分支，生成两个矩阵；b2、将步骤a2生成的两个矩阵分别输入到两个Softmax层中，并沿着类别和候选区域两个不同的维度计算，得到两个计算结果；c2、将步骤b2计算得到的两个计算结果做逐元素乘法以生成每个候选区域的分数，并计算图像包含各类别目标的可能性；如果在训练阶段，则进行步骤d2，输入步骤c2生成的各类别目标的可能性和图像标签，使用损失函数训练基本分类器；如果在测试阶段，则跳过此步骤d2；在步骤3中，所述的自适应实例分类器细化框架的建立方法如下：a3、将步骤c1生成的特征向量馈入一个全连接层和一个Softmax层，并沿着类别维度计算，得到每个候选区域的分数；b3、利用候选区域的分数分布和空间相似性生成监督信息，如果在训练阶段，则进入步骤c3，如果在测试阶段，则进入d3；c3、输入步骤a3生成的每个候选区域的分数和步骤b3生成的监督信息，使用损失函数训练每一阶段的分类器；d3、重复步骤a3、步骤b3和步骤c3K次，即形成K个实例分类器细化阶段；e3、将步骤c1生成的特征向量馈入一个全连接层和一个Softmax层，并沿着类别维度计算，得到每个候选区域的分数；f3、为步骤a3中的每个候选区域的分数设置对应的可学习参数，得到加权平均区域分数，采用与步骤b3相同的方式生成监督信息；g3、输入步骤e3生成的每个候选区域的分数和步骤f3生成的监督信息，采用与步骤c3相同的方式训练；所述的骨干网络提取目标候选区域特征的方式如下：输入：X∈RH×W×3为固定尺寸的训练测试RGB图像，H表示图像的高，W表示图像的宽；输出：F∈RP×4096为骨干网络提取的特征向量，P表示图像中候选区域的数量，4096为特征的维数；a1、通过原始的VGGNet提取图像的卷积特征，并通过选择性搜索算法生成图像中的目标候选区域；b1、通过一个空间金字塔池化层生成每个候选区域对应的卷积特征；c1、通过两个全连接层生成候选区域的特征向量。

全文数据：

权利要求：

百度查询： 哈尔滨工业大学(深圳) 基于自适应实例分类器细化的弱监督目标检测方法与系统