[发明专利]一种标注类型自适应的主动学习图像目标检测方法及装置

说明书

本发明提出一种标注类型自适应的主动学习图像目标检测方法及装置，其中，该方法包括：获取目标图像，对其进行检测，得到目标对象对应的定位信息和分类信息，并对分类信息满足第一预设条件的进行标注以获得对应的类别标签，对定位信息满足第二预设条件的进行标注以获得对应的补充包围框标签，根据两种标签生成第一标注数据，将第一标注数据加入至标注数据集，其中，标注数据集中预存有第二标注数据；根据标注数据集对半监督检测模型重新训练，得到迭代更新后的目标半监督检测模型，直到模型达到预期性能或标注数量达到预算。该方法既能显著节约标注成本，又能提高检测算法对目标类别、位置的判断。

技术领域

本发明涉及自适应主动学习技术领域，尤其涉及一种标注类型自适应的主动学习图像目标检测方法及装置。

背景技术

在相关技术中，基于卷积神经网络的目标检测方法主要依赖大规模的数据集和全监督训练，主要包括基于候选框的两阶段检测器、基于锚框的单阶段检测器和基于特征点的免框检测器。

通常情况下，两阶段检测先借助选择性搜索或区域提取网络提取候选框，再提取候选框图像特征，做出类别和位置预测。Girshick等人首次用卷积神经网络提取候选框特征，分类和定位分别由支持向量机和回归模型实现；空间金字塔池化模型将候选框映射到特征图上，全图仅需一次前向计算，并将池化层插入网络最后一个全连接层之前，无需缩放候选框即可得到固定长度的图像表示。以及，在相关技术中，单阶段检测方法的准确率已经达到两阶段方法的水平，但是大量背景锚框限制了网络的性能。

但是，这些算法仍然依赖于规模大、模式多样化、标注详尽的数据集，人工标注成本变得更加耗时和复杂，而仅选择一部分有代表性的数据进行标注是可行的。如果随机采样图像数据进行标注，只有采样规模足够大时才能保证获取足够丰富的信息，否则模型的泛化能力会受到严重影响。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的第一个目的在于提出一种标注类型自适应的主动学习图像目标检测方法，实现单张图像中多个目标的解耦以及分类和定位任务的解耦，并利用全监督和弱监督数据的联合训练，以最大化节约标注成本。

本发明的第二个目的在于提出一种标注类型自适应的主动学习图像目标检测装置。

本发明的第三个目的在于提出一种非临时性计算机可读存储介质。

本发明的第四个目的在于提出一种计算机程序产品。

为达上述目的，本发明第一方面实施例提出了一种方法，包括：

用所述检测模型对所述目标检测对象进行检测，得到所述目标对象对应的定位信息和分类信息

对所述分类信息满足第一预设条件的目标对象，根据量化指标定额选择最有价值的对象进行标注，以获得所述目标检测对象对应的类别标签，对所述定位信息满足第二预设条件的目标检测对象，根据量化指标定额选择最有价值的检测对象进行标注，以获得所述检测目标对象对应的补充包围框标签；

根据所述类别标签和所述补充包围框标签生成所述目标对象的第一标注数据，将所述第一标注数据加入至标注数据集，其中，所述标注数据集中预存有第二标注数据；

根据标注数据集对半监督检测模型重新训练，得到迭代更新后的目标半监督检测模型，直到模型达到预期性能或标注数量达到预算。

可选地，在本申请的一个实施例中，通过下述方式设计初始半监督检测模型：

提取图像的多尺度特征图，将中心点估计作为第一分支，弱监督全局平均池化作为第二分支，第一分支和第二分支共享部分多尺度特征图的参数；

在所述第一分支中，对所述多尺度特征图进行卷积得到预测位置信息；