CN114067173B 基于多清晰度集成自训练的小样本低质量图像目标检测方法 （西北工业大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN114067173B(45)授权公告日2025.01.10

(21)申请号202111309737.8

(22)申请日2021.11.07

(65)同一申请的已公布的文献号申请公布号CN114067173A

(43)申请公布日2022.02.18

(73)专利权人西北工业大学

地址710072陕西省西安市友谊西路127号

(72)发明人王鹏邓玉岩林蔚东

(74)专利代理机构西安凯多思知识产权代理事务所(普通合伙)61290

专利代理师刘新琼

(51)Int.CI.

GO6V10/774(2022.01)

GO6V10/82(2022.01)

GO6N3/0464(2023.01)

GO6N3/08(2023.01)

(56)对比文件

CN107767353A,2018.03.06CN109063594A,2018.12.21

审查员霍远征

权利要求书1页说明书5页附图2页

(54)发明名称

基于多清晰度集成自训练的小样本低质量图像目标检测方法

(57)摘要

CN114067173B本发明涉及一种基于多清晰度集成自训练的小样本低质量图像目标检测方法，属于图像处理技术领域。首先使用有标注的数据对目标检测模型进行初步训练，然后使用该训练模型对无标注的数据进行预测，然后将预测后的数据增加到原始数据中，一起重新对目标检测模型进行训练，以此类推，不断迭代更新得到最终的检测模型；同时每个在使用新的模型对五标注数据进行预测的时候采用多清晰度集成自训练方式，本发明方法有效将有标签低质量图像数据以及无标

CN114067173B

目标检测模型

(Faster-R-CNN)

CN114067173B权利要求书1/1页

2

1.一种基于多清晰度集成自训练的小样本低质量图像目标检测方法，其特征在于步骤如下：

步骤1:输入图像数据为有标注的数据对(X?,Y?)以及无标注数据X?,首先使用有标注的

数据对目标检测模型Faster-R-CNN进行初步训练，优化目标为：

MINLoss(Y?,F?(X?))

在得到第一个训练模型F1之后，使用它来对无标注的数据进行预测，即：

Y?=F?(X?)

步骤2:然后将(X?,Y?)当成有标注数据加入到原来的数据中得到增强数据集D?=(X?,

Y?,X?,Y?),利用D?重新训练目标检测模型Faster-R-CNN得到F?,然后再用F?给X?预测更好的标注信息得到Y?;

步骤3:不断进行迭代式更新得到最终的检测模型F?;

步骤4:使用最终的检测模型F,对待检测图像数据进行检测，得到最终的图像目标：每次

训练得到最新的模型F后，1≤i≤n,用模型F,对无标注的数据进行预测，具体为：

首先针对原始的低质量带雾图片使用暗通道去雾模型进行清晰化处理，通过控制其窗口参数来产生不同清晰程度的去雾图片I?I?…I,其中k表示一共有k种清晰度，然后将上述k种清晰程度的图片分别输入给F进行预测，会产生k组(x,y,w,h,c)五元组预测结果，其中前四个数字预测位置，最后一个数字c预测属于当前类别的置信度；在对k组五元组预测结果进行集成时，根据置信度c的大小：当c大于第一给定阈值时，则保留当前预测结果到最终结果集合中；当c小于第二给定阈值时，则将当前预测结果添加到待人工纠正集合中；对于剩下的预测结果，则按照交并比大小进行类内的融合，即对于同类中的任意两个预测框交并比大于第三给定阈值的坐标框，保留c值较大的那个加入到最终结果集中；最后将上述过程中产生的待人工纠正集合中的“错误”预测结果进行纠正后加入最终结果集。

2.根据权利要求1所述的一种基于多清晰度集成自训练的小样本低质量图像目标检测方法，其特征在于第一给定阈值为0.8。

3.根据权利要求1所述的一种基于多清晰度集成自训练的小样本低质量图像目标检测方法，其特征在于第二给定阈值为0.3。

4.根据权利要求1所述的一种基于多清晰度集成自训练的小样本低质量图像目标检测方法，其特征在于第三给定阈值为0.7。

5.根据权利要求1所述的一种基于多清晰度集成自训练的小样本低质量图像目标检测方法，其特征在于步骤3中迭代次数为6次。

CN114067173B