[发明专利]一种基于伪真值自适应法的弱监督物体检测方法

权利要求书

1.一种基于伪真值自适应法的弱监督物体检测方法，其特征在于，包括：

步骤1)、构建训练样本；

步骤2)、将训练样本中的图片输入到基于多事例学习法的弱监督物体检测器中；

步骤3)、将弱监督物体检测器的输出结果进行非极大抑制处理，在处理结果图片选取每种物体得分最高的边界框；

步骤4)、根据步骤3)选取的边界框的位置信息训练候选区域产生网络，使用所述候选区域产生网络产生多个候选区域，保留与步骤3)所述的得分最高的边界框重合面积比大于一定阈值的所有候选区域；每个类别的物体对应多个候选区域；

步骤5)、将对应于同一个物体的候选区域的像素坐标求平均值，根据计算结果确定每个物体的唯一边界框；

步骤6)、将步骤5)中得到的边界框的信息输入给全监督物体检测器,得到检测结果。

2.根据权利要求1所述的基于伪真值自适应法的弱监督物体检测方法，其特征在于，步骤一具体包括：

步骤1.1)、接收用户输入的关键词；所述关键词用于表示物体的类别；

步骤1.2)、使用所述关键词在搜索引擎中进行检索，选取预设数量的检索结果并将所述关键词作为所述检索结果的标注信息。

3.根据权利要求1所述的基于伪真值自适应法的弱监督物体检测方法，其特征在于，步骤1)中，训练样本集为PASCAL VOC 2007/2012、MC COCO、WIDER FACE以及FDDB数据库中的任意一个。

4.根据权利要求1所述的基于伪真值自适应法的弱监督物体检测方法，其特征在于，步骤1)中，训练样本中的图片的尺寸满足：

图片的最短边为{480,576,688,864,1200}五个尺度中的随机一种；图片的最长边小于等于2000。

5.根据权利要求1所述的基于伪真值自适应法的弱监督物体检测方法，其特征在于，步骤2)具体包括：

步骤2.1)使用选择性搜索算法在训练样本的图片中提取预设数量的候选区域；

步骤2.2)将所述候选区域输入至已在ImageNet数据集上训练过的VGG16网络模型得到用于表示细节信息的浅层特征以及用于表示语义信息的深层特征，再通过RoI池化方法获取每一个候选区域的特征，并将候选区域特征由二维矩阵表示形式转换为一维向量表示形式，得到每个候选区域的全连接特征；

步骤2.3)将所述全连接特征输入至基于多事例学习方法的弱监督物体检测器中，弱监督物体检测器中具有用于为候选区域中的物体类别打分的分类分支以及用于为候选区域的位置信息进行打分的检测分支；然后将分类分支和检测分支的得分相乘得到此候选区域的得分；

步骤2.4)将每个候选区域的得分作为监督信息输入至相互级联的3个优化网络中，对优化网络进行后项传播计算，得到优化后的结果。

6.根据权利要求1所述的基于伪真值自适应法的弱监督物体检测方法，其特征在于，步骤6)中，全监督物体检测器为Fast-RCNN、Faster-RCNN、YOLO、SSD中的任意一种。