[发明专利]基于弱监督学习的用户定制化目标检测方法、系统和存储介质

权利要求书

1.基于弱监督学习的用户定制化目标检测方法，其特征在于，包括下述步骤：

构建目标检测架构，所述目标检测架构包括客户端和服务端，所述客户端采用PyQT设计，用于与服务端交互、采集网络数据及过滤不良数据；所述服务端使用tornado搭建，用于接收用户上传数据、创建目标检测模型、训练模型、存储模型、存储训练数据和检测结果，所述服务端数据库使用MySQL管理，用于图像数据、标注数据和模型的存储，所述目标检测模型使用Pytorch搭建；所述客户端采用PyQT设计，具体为：

项目设计，所述项目设计包括创建项目和打开项目，若选择创建项目，则服务端生成项目文件夹用于管理新项目；若选择打开项目，则选择要打开某一具体项目；

模型检测，所述模型检测包括模型训练和目标检测；当选择模型训练，服务端自动生成模型并进行训练，训练好的模型被保存到服务端并由用户命名；当选择目标检测，则选择已经训练好的模型版本，并选择一个测试集，最终服务端会将测试集的图像数据输入所选模型进行目标检测，并输出结果到服务端；

数据传输，所述数据传输包括上传训练集、上传测试集和下载检测结果；若选择上传训练集，则用户从本地文件中选择训练集后上传，上传的数据集将被合并到该项目的训练集中，一个项目只能有一个训练集；若选择上传测试集，则用户从本地文件中选择测试集，命名后上传，一个项目可有多个测试集；若选择下载检测结果，则用户从服务端中下载模型的检测结果；

数据爬取，输入检测和爬取数量，自动从网络图库中爬取相关图像，爬取结果将展示在界面中，过滤数据之后，并输入该数据集的分类标签并为数据集命名，将数据集上传至服务端；

所述服务端使用tornado搭建，所述服务端用于训练模型和目标检测；训练模型时，服务端分配GPU和内存资源，导入客户端指定的训练集，生成模型并训练，训练好的模型将保存于服务端并由相应项目管理；进行目标检测时，服务端分配GPU和内存资源，导入客户端指定的模型和测试集并执行目标检测，目标检测的结果将保存于服务端并由相应项目管理；

在客户端上传训练所需的图像数据和图像类别标注数据，服务端根据标注类别数构建WSDDN-PCL弱监督目标检测模型；所述WSDDN-PCL弱监督目标检测模型的损失函数由两部分组成：

其中L_WSDDN是WSDDN模型的多元交叉熵损失函数，是第i层自训练网络的损失函数；

服务端使用用户上传的图像和标注数据训练弱监督目标检测模型，训练好的模型保存在服务端；

在客户端上传需要检测的图像数据，服务端加载训练好的目标检测模型，并对用户上传的图像数据进行检测，将检测结果存储在服务端；

用户从服务端下载检测结果，完成目标检测任务。

2.根据权利要求1所述基于弱监督学习的用户定制化目标检测方法，其特征在于，所述图像数据和图像类别标注数据从本地上传；

或者使用图像自动采集功能从互联网图库中收集图像数据，用户在数据采集模块中输入关键字和采集数量，由系统从互联网图库中爬取相关图像，爬取结果将以略缩图形式展示给用户，并剔除不良数据，完成图像爬取后，为爬取到的数据集命名，作为该数据集的类别标注。

3.根据权利要求1所述基于弱监督学习的用户定制化目标检测方法，其特征在于，使用ResNet-50模型作为提取图片特征的主干网络，网络在ImageNet分类数据集上经过预训练，训练时，使用Adam优化算法来优化网络参数。

4.根据权利要求1所述基于弱监督学习的用户定制化目标检测方法，其特征在于，所述WSDDN-PCL弱监督目标检测模型是在传统的以MIL方式为基础的弱监督目标检测模型上，增加了多层自训练的细化网络层，最终将多层细化网络层的输出取均值，作为模型的输出。