CN119380003B 一种基于置信度驱动的增量目标检测方法 （厦门大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN119380003B(45)授权公告日2025.07.08

(21)申请号202411942834.4

(22)申请日2024.12.27

(65)同一申请的已公布的文献号申请公布号CN119380003A

(43)申请公布日2025.01.28

(73)专利权人厦门大学

地址361000福建省厦门市思明南路422号

(72)发明人赵万磊王小燕

(74)专利代理机构厦门市新华专利商标代理有限公司35203

专利代理师骆臣琪

(51)Int.CI.

GO6V10/25(2022.01)

GO6V10/774(2022.01)

GO6V10/764(2022.01)

GO6V20/70(2022.01)

GO6N5/022(2023.01)

(56)对比文件

CN118521818A,2024.08.20审查员傅志良

权利要求书2页说明书9页附图1页

(54)发明名称

一种基于置信度驱动的增量目标检测方法

(57)摘要

CN119380003B本发明提供一种基于置信度驱动的增量目标检测方法，所述方法包括：使用旧模型对新图像生成区域级别的伪标签，用于标记新图像中旧类别目标物体的区域；将新图像的真实标签与生成的伪标签结合，形成扩充的检测目标类别标注，用于新模型的训练；通过旧模型对新图像生成像素级别的置信度值，并与扩充的标签合并，修正新模型中的背景区域；对新模型进行训练，通过区域级别的伪标签和像素级别的置信度值蒸馏，保持对旧类别的检测，同时学习新类别。本发明方法具有计算成本低、易于集成的优点，适用于大规模增量目标检测场景

CN119380003B

S1

S1

S2

S3

S4

使用旧模型对新图像生成区域级别的伪标签，用于标记新图像中旧类别目标物体的区域

将新图像的真实标签与生成的伪标签结合，形成扩充的检测目标类别标注，用于新模型的训练

通过旧模型对新图像生成像素级别的置信度值，并与扩充的标签合并，修正新模型中的背景区域

对新模型进行训练，通过区域级别的伪标签和像

素级别的置信度值蒸馏，保持对旧类别的检测，

同时学习新类别

CN119380003B权利要求书1/2页

2

1.一种基于置信度驱动的增量目标检测方法，其特征在于：所述方法包括：

S1、使用旧模型对新图像生成区域级别的伪标签，用于标记新图像中旧类别目标物体的区域；

S2、将新图像的真实标签与生成的伪标签结合，形成扩充的检测目标类别标注，用于新模型的训练；

S3、通过旧模型对新图像生成像素级别的置信度值，并与扩充的检测目标类别标注合并，修正新模型中的背景区域；

S4、对新模型进行训练，通过区域级别的伪标签和像素级别的置信度值蒸馏，保持对旧类别的检测，同时学习新类别；

所述步骤S1具体包括：

步骤S11、将新图像输入到已训练好的旧模型Mt-1中，生成预测的βoa、Oola、old,其中βoa表示预测框，Oola表示置信度，ola表示类别；

步骤S12、采用非极大值抑制方法NMS对伪标签进行筛选，得到筛选后的预测框βpseudo与类别pseudo,将筛选后的预测框与类别作为新图像的伪标签保留，通过使用非极大值抑制来过滤掉不可靠的区域预测；

所述步骤S3具体为：

通过计算β和β之间的交并比来生成置信度分数，并将置信度损失公式定义为：

0mask=ō+I(σ=0)oldō=fβ,β)

β=Mt(In,y)

其中，n表示样本数量，合表示新模型对新图像输出的置信度，β表示新模型对新图像输出的预测框，所述β和表示经增强注释后的边界框和类别，0mask表示增强注释后的置信度，ō表示置信度分数，所述I表示指示函数，?old表示旧模型输出的置信度，I表示图像；

置信度分数ō的真实值由计算边界框β与真实值β之间的交并比得到，当ō0时，表示当前位置存在一个目标物体，将增强的标注区域标记为目标区域；当0=0时，表示该像素属于背景区域，将背景区域替换为旧模型Mt-1生成的置信度分数，以此修正背景区域，在这种情况下，由旧模型Mt-1生成的置信度分数将直接被赋值给0mask,通过这种方式，旧模型Mt-1中的知识被蒸馏到了新模型Mt中；

CN11