[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

说明书

本发明公开了一种基于弱监督学习的用户定制化目标检测方法、系统及存储介质，方法包括下述步骤：构建目标检测架构，包括客户端和服务端；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；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。本发明的方法可以定制化地从线上图库中爬取数据并训练目标检测模型，并将复杂的计算过程放到服务器进行，同时满足易用性和快速性的要求。

技术领域

本发明属于图像目标检测的技术领域，具体涉及一种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。

背景技术

图像目标检测是计算机视觉领域的一项基础且重要的研究，近年来随着智慧城市和摄像技术的发展，目标检测任务越来越得到重视。目标检测的任务是从图像中找出所有感兴趣的目标，确定它们的位置和类别，并且将目标用矩形方框完整地框出。

目标检测有很多方面的应用，例如自动驾驶、人脸识别、行人检测、物体跟踪等。比如在自动驾驶技术中，为了判断汽车周围环境的情况，可通过电子摄像头获取周围场景的图像，并利用目标检测技术从图像中识别汽车周围是否有行人等物体，以此来指导汽车的行驶过程。

目前的目标检测模型以卷积神经网络为主要组成部分。卷积神经网络具有强大的表征学习的能力，能够有效提取图像特征，可以满足高精度目标检测任务的要求。但是，训练高精度的目标检测模型，需要使用大量的以矩形包围框为形式的精细的图像标注作为监督信息，对图像进行标注时将会耗费大量的人力成本。随着近年来大数据的迅速发展，面对海量的视觉数据和越来越复杂的业务，通过人工标注来获取训练数据在很多情况下已经不可行。

为了减少人工标注的工作量，出现了弱监督目标检测技术；弱监督目标检测使用弱化的监督信息进行学习，即模型仅需要图片的类别标注就可以学习目标检测，而不需要标注目标的矩形包围框，大大降低了人工标注的难度。而且网络中有大量的包含类别标注的图像，这使模型从海量数据中学习目标检测成为可能。

目前最先进的弱监督目标检测模型，在准确率上已经接近经典的有监督目标检测模型，如RCNN。因为需要更少的监督信息，弱监督目标检测模型能够使用更大规模的数据来进行训练，因此在某些情况下，其准确率要优于有监督目标检测模型。

目前主流的目标检测系统，以有监督目标检测模型为主，需要用户提供图像以及精细的标注作为训练数据，而用户在标注数据时需要耗费大量的人力，且提供的数据量有限，训练出的模型在准确率上未必能满足用户的需求。

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提供一种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，可以定制化地从线上图库中爬取数据并训练目标检测模型，并将复杂的计算过程放到服务器进行，同时满足易用性和快速性的要求。

为了达到上述目的，本发明采用以下技术方案：

本发明一方面提出了一种基于弱监督学习的用户定制化目标检测方法，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，所述服务器数据库使用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；

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；

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；