CN116563634B 一种通 用半监督目标检测框架的训练方法 （上海人工智能创新中心）

本发明涉及一种通用半监督目标检测框架的方式以标签图片和伪标签图片作为输入进行标签数据集的规模设置每个批次标签图片和无2初始化两个检测模型分别作为教师模型和学生模型，其中教教师模型对弱数据增强的无标签图片预测伪标签，并对所述伪对学生模型按照监督学习的方式以标签图片和伪标签图片设置每张伪标签图片的伪标签的数量下限：设置每张伪标签图片至少包括一个伪标在以标签图片和伪标签图片作为输入进行训练学生模型时，将当前批次的伪标签图片和缓存的临近批次的伪标签图片进行插值从缓存的临近批次的伪标签图片中随机收取4张图片进行下采样马赛克拼接，对应伪4.根据权利要求2所述的通用半监督目标检测框架的训练方法，其特征在于，使用5.一种计算机可读存储介质，其上存储有行时执行根据权利要求1_4之一所述的方3[0003]现有的一种用于目标检测的半监督学习框架__STAC初始化两个结构相同的检测后使用教师模型对弱数据增强的无标签图片预测伪标签，通过置信度阈值过滤和几何映[0004]现有技术通常结合具体的检测模型在半监督学习时表现出的特性做出针对性改[0005](1)基于FasterR_CNN的代表性半监督目标检测算法包括UnbiasedTeacher、SoftTeacher和PseCo。UnbiasedTeacher将FasterR_CNN的分类损失由交叉熵损失改为FocalLoss，用来缓解伪标签的类别不平衡问题，然而很多单阶段检测模型原本就使用[0006](2)基于FCOS的代表性半监督目标检测算法DenseTeacher结合FCOS密集预测的[0007](3)基于RetinaNet的代表性半监督目标检测算法ConsistentTeacher，考虑到RetinaNet的正负样本分配策略对于充满噪声的伪标签不鲁棒，设计了自适应锚匹配策略4[0008](4)基于DeformableDETR的代表性半监督目标检测算法Omni_DETR基于检测平均[0012]教师模型对弱数据增强的无标签图片预测伪标签，经过阈[0020]进一步地，将当前批次的伪标签图片和缓存的临近批次[0021]进一步地，从缓存的临近批次的伪标签图片中随机收取4张图片进行下采样马赛[0023]本发明至少具有下列有益效果：(1)本发明公开的一种通用半监督目标检测框架标检测任务本身的特点充分挖掘检测平均教师框架的潜在性能和拓展性能而设计出通用本的数量不平衡问题，通过伪标签拼接数据增强缓解了伪标签的正样本的尺度不平衡问5题，在通用半监督目标检测框架的基础上进一步提升了不同范式的主流模型的检测精度。通过本发明的方法构建的通用半监督目标检测框架应用于计算机视觉中的目标检测领域，[0025]图1示出了根据本发明一个实施例的一种通用半监督目标检测框架的训练过程示[0026]图2示出了根据本发明一个实施例的一种基于混合伪标签的通用半监督目标检测基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是明示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对重要性。[0034]图1示出了根据本发明一个实施例的一种通用半监督目标检测框架的训练过程示6[0038]步骤3，对学生模型按照监督学习的方式以标签图片和伪标签图片作为输入进行[0043]图2示出了根据本发明一个实施例的一种基于混合伪标签的通用半监督目标检测[0047]本发明的技术方案所得出的通用半监督目标检测框架可在计算机视觉中目标检7合伪标签的通用半监督目标检测框架在11种主流范式的检测模型上相比监督基线平均意检测算法(SoftTeacher,PseCo和DenseTeacher)。基于混合伪标签的通用半监督目标检8测框架的结构比SoftTeacher简单，通用性更好(SoftTeacher只适用于FasterR_CNN),中伪标签拼接数据增强更多地提升了模型的中小物体的[0055]表3基准模型SoftTeacher、通用半监督目标检测框架以及通用半监督目标检测框架加上伪标签插值数据增强和伪标签拼接数据增强的9的一个或多个机器执行时，可以引起一个或多个机器执行根据本发明的各实施例的操作。编程只读存储器)、磁或光卡、闪速存储器或适用于存储机器可执行指令的其他类型的介制解