[发明专利]一种点监督的目标检测方法

说明书

本发明公开了一种点监督的目标检测方法，所述方法包括训练部分和测试部分，其中，所述训练部分为利用点标注数据集对神经网络进行训练，包括以下步骤：步骤1，提取训练图像的特征图，获得候选区域的特征向量；步骤2，通过检测网络获得每个候选区域对图像各类别的置信度；步骤3，筛选候选区域，生成伪标签。本发明公开的点监督的目标检测方法，无需边框标注数据，降低了人工成本，提高了物体检出概率，对于自然场景图像、医学图像等领域的目标检测具有重要应用价值。

技术领域

本发明属于点监督学习和计算机视觉技术领域，具体涉及一种点监督的目标检测方法，通过对带有点标注的训练图像学习实现目标检测。

背景技术

在卷积神经网络的助力之下，目标检测方法性能得到了长足的提升。目前，目标检测领域最令人瞩目的研究成果主要集中于全监督目标检测领域，即在训练集图片中标注图片的类别，并用边框的形式将物体的范围给出，由于模型复杂度高，往往需要大量训练数据才能实现良好的模型性能和泛化能力。

但是，上述的基于回归和分类的学习方法并不是最自然的，比如人类在认识一类物体时不需要额外的信息来指示物体的范围，物体范围的信息是可以从图片中挖掘出来的，相比之下，点监督是更加自然的一种监督方式。

此外，一般情况下，带有大量框标注的图片的数据集是容易获取的，但是对于一些图片标注成本很高的领域，例如在医疗图像处理和超密集目标检测等领域，获取大量框标注的图片在成本上是难以接受的。其中，对于标注成本高的医疗图像，通常由专业人士对图片进行点标注，即对于图片中的每一个物体，只标注其内部一个像素的类别。

目前，点监督目标检测领域的研究较少，亟需提供一种点监督的目标检测方法，以降低人工成本，提高物体检出概率，促进计算机视觉技术在医疗图像、智能安防等相关领域的应用。

发明内容

为了克服上述问题，本发明人进行了锐意研究，设计出一种基于点监督的目标检测方法，该方法将点监督引入弱监督目标检测方法PCL，对多示例检测分支和示例分类器精炼分支进行了改进，针对弱监督目标检测方法存在的过拟合问题，提出了基于点监督的多示例检测优化方法和基于优化分支反馈的随机点生成方法；针对弱监督目标检测方法存在的漏检测问题，提出了基于点监督的示例分类器精炼方法。该方法无需边框标注数据，降低了人工成本，提高了物体检出概率，对于自然场景图像、医学图像等领域的目标检测具有重要应用价值，从而完成了本发明。

具体来说，本发明的目的在于提供以下方面：

第一方面，提供了一种点监督的目标检测方法，所述方法包括训练部分和测试部分，

其中，所述训练部分为利用点标注数据集对神经网络进行训练，包括以下步骤：

步骤1，提取训练图像的特征图，获得候选区域的特征向量；

步骤2，通过检测网络获得每个候选区域对图像各类别的置信度；

步骤3，筛选候选区域，生成伪标签。

第二方面，提供了一种计算机可读存储介质，其中，所述介质存储有点监督的目标检测程序，所述程序被处理器执行时，使得处理器执行所述点监督的目标检测方法的步骤。

第三方面，提供了一种计算机设备，其中，所述设备包括存储器和处理器，所述存储器存储有点监督的目标检测程序，所述程序被处理器执行时，使得处理器执行所述点监督的目标检测方法的步骤。

本发明所具有的有益效果包括：

(1)本发明提供的点监督的目标检测方法，无需边框标注数据，减少了标注的工作量，降低了人工成本；

(2)本发明提出的点监督的目标检测方法，利用点监督对候选区域进行筛选，促使模型学习区分同类物体的能力，提高了物体检出概率；