[发明专利]一种针对视觉跟踪模型的人在回路训练方法及相关装置

说明书

本发明公开了一种针对视觉跟踪模型的人在回路训练方法及相关装置，该训练方法包括：利用视频序列构建初始未标注的训练样本，从该样本随机选择少量样本进行人在回路标注并构成训练集；使用已经标注的少量样本训练跟踪网络，得到一个经过初步训练的模型；将剩余的未标注样本送入初步模型，根据网络输出的响应图生成伪标签；根据伪标签和原始响应图，生成伪损失；将未标注的样本，依据生成的伪损失进行排序，选择损失较大的若干样本，经过人在回路人工标注后，加入训练集，然后使用更新后的训练集重新训练跟踪模型。本发明能够解决现有基于深度模型的视觉目标跟踪算法训练数据量大、数据中冗余信息较多以及由此造成的数据标注费时费力的问题。

技术领域

本发明属于计算机视觉领域，具体涉及一种针对视觉跟踪模型的人在回路训练方法及相关装置。

背景技术

视觉目标跟踪是计算机视觉和人工智能领域内的一个重要且基础的问题。该问题主要研究内容为在一段视频序列中，给定初始帧中的目标位置和大小，视觉目标跟踪算法如何自动的跟踪目标并给出之后帧中的目标位置和大小。视觉目标跟踪可应用于自动驾驶、智能安防、智慧城市、国防军工等众多领域，是当前人工智能领域的热点问题。近些年，由于深度学习模型相比于传统模型拥有较高的准确性，基于深度学习的视觉目标跟踪算法取得了较快的发展。

然而，基于深度学习视觉跟踪模型的跟踪效果会受到训练数据的数量和质量的影响。基于深度学习的模型网络结构复杂，参数众多，所以需要大量的，有标签的训练数据来训练深度模型以防止过拟合。通过实验发现，大幅度提高训练数据的数量，可以有效的提升模型的跟踪性能。同时，不同质量的训练数据也会影响跟踪模型的表现。采用质量更好的训练数据集，例如数据集中包含更全面的物体类别，更多的目标姿态等等，也可以有效的提高跟踪模型的准确性。但是，获得大量且高质量的有标签训练数据是非常耗费人力和时间的，现有的用于视觉跟踪的深度模型，大多都依赖万级甚至百万级千万级的图片数量，对如此庞大数量的样本进行人工标注是非常耗费时间和人力的。此外，用于训练跟踪模型的数据集大都是视频序列。视频的连续帧中，物体的位置，尺度和姿态变化都非常小，目标物和背景都极为相似，这也就意味着训练数据中的视频序列存在着大量的冗余信息，对这些冗余信息不加筛选的全部标注，则是非常低效和不经济的。

基于以上两个方面，势必需要一种高效的视觉跟踪模型训练方法。

发明内容

为解决现有技术中存在的问题，本发明的目的在于提供一种针对视觉跟踪模型的人在回路训练方法及相关装置，本发明能够解决现有基于深度模型的视觉目标跟踪算法训练数据量大、数据中冗余信息较多以及由此造成的数据标注费时费力的问题。

本发明采用的技术方案如下：

一种针对视觉跟踪模型的人在回路训练方法，包括如下过程：

S1，从已构建的初始训练样本待标注集中随机选择一部分样本进行人工标注，将人工标注的样本构成初始训练集；其中，初始训练样本待标注集通过视频序列进行构建；

S2，利用初始训练集训练视觉跟踪模型，得到初步训练的跟踪模型；

S3，利用所述初步训练的跟踪模型对初始训练样本待标注集中未标注的样本进行处理，并根据所述初步训练的跟踪模型输出的响应图生成伪标签图片；

S4，根据所述伪标签图片和初步训练的跟踪模型输出的响应图，利用交叉熵损失函数，生成伪损失；

S5，依据所述伪损失，对初始训练样本待标注集中未标注的样本进行排序，选择损失较大的若干样本；

S6，以人在回路的方式对所选择的损失较大的若干样本进行人工标注，并将人工标注后的样本加入初始训练集，得到新的训练集；

S7，使用新的训练集重新训练所述视觉跟踪模型，训练完成后得到训练好的视觉跟踪模型。