CN119380003B 一种基于置信度驱动的增量目标检测方法 （厦门大学）_第1页
CN119380003B 一种基于置信度驱动的增量目标检测方法 （厦门大学）_第2页
CN119380003B 一种基于置信度驱动的增量目标检测方法 （厦门大学）_第3页
CN119380003B 一种基于置信度驱动的增量目标检测方法 （厦门大学）_第4页
CN119380003B 一种基于置信度驱动的增量目标检测方法 （厦门大学）_第5页
已阅读5页，还剩19页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

本发明提供一种基于置信度驱动的增量目成的伪标签结合，形成扩充的检测目标类别标通过区域级别的伪标签和像素级别的置信度值2S1、使用旧模型对新图像生成区域级别的伪S3、通过旧模型对新图像生成像素级别的置信度置信度分数ō的真实值由计算边界框p与真实值p之间的交并比得到，当o>0时，3之后，对网络损失函数进行修正，采用修正后的网络损失函数对新模型进行训。非极大值抑制方法NMS的NMS阈值和置信度阈值分别设置为y分别表示新图像真实标签中的边界框和类别，所述和表示经增强注释后的边界框和类别；表示预测区域和真实区域的交并比，表示预测边界框和真实边界框中心点之间4[0003]假设新加入的样本均来自于已知类别，模型的更新可以通过简单的微调来完成。[0005]本发明要解决的技术问题，在于提供一种基于置信度驱5[0013]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[0014]进一步的，所述非极大值抑制方法NMS的NM[0019]其中，β和y分别表示新图像真实标签中的边界框和类别，所述B和y表示样本数量。具体地，表示预测边界框和真实边界框中心点之间的欧几里得距v表示预测边界框和真实边界框的宽高比的一致性参6框，表示新模型对新图像输出的类别，n表示样本数量，omask表示增强注释后的置信[0035]进一步的，所述方法还包括在多个阶段增量目标检测中逐步引入不同类别的步7[0048]步骤S11、将新图像输入到已训练好的旧模型Mr-1中，生成预测的Bau、Ouu、[0049]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大值抑制来过滤掉不可靠的区域预测。[0050]较佳的，所述非极大值抑制方法NMS的NMS阈值和置信度阈值分别设置为0.6和和y分别表示新图像真实标签中的边界框和类别，所述B和y表示经增8示样本数量。具体的，表示预测边界框和真实边界框中心点之间的欧几里得距像输出的预测框，表示新模型对新图像输出的类别，omask表示增强注释后的置[0071]较佳的，所述方法还包括在多个阶段增量目标检测中逐9。练阶段为t，学生模型Mr（即新模型）基于图像集D:进行训练，给定已训练好的模型别为β,o和y。YOLOv7的训练目标是最小化定义在模型logits上的边界框回归损失[0081]在上述损失函数中，是在正样本匹配后计算的预测框旧模型M--r被当作一个自动标注器来为图得到经过筛选后的Bmus和Jpseudo，在NMS操作中，NMS阈值和置信度阈值分别设置为0.6[0090]由于这些增强后的注释将用于训练模型Mr。位置损失和分类损失函数被修改为[0095]由旧模型M,-1在图像In上生成的置信度分数很大程度上弥补了伪标签的不足，[0097]其中I是指示函数。置信度分数ō的真实值由计算边界框p与真实值p之间的交[0103]在第一个实验中，在目前流行

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论