CN119478590A 基于半监督学习的目标检测方法、系统、设备及存储介质 （山东能源集团有限公司）

配器根据伪标签的得分将伪标签划分为可靠标标检测模型在训练后识别样本图像中的目标对2将伪标签更新至数据集，并利用更新后的数据集对目标检测模型设置软标签在训练过程中仅参与预设的部分损失计算，以降低软标签导致的训练误根据伪标签生成时Softmax函数给出的概率值生成伪标签的分类得分，并通过比对软标签的预测框与真实框的完整交并比生成软标签的目标检测计算伪标签的分类得分与目标检测得分的乘积，并将所述乘积作为伪标签的标签得将标签得分高于第二阈值的伪标签标记为可靠标签，默认将标签得分在第一阈值与第二阈值之间的伪标签标设置第一类软标签在训练过程中参与计算目标性损失，第二类软3增设轮次适配器对训练过程的参数或策略进行控制当梯度通过GRL时，梯度参数符号会被反转，这种反转后的梯度被用于优化基础网所述分布自适应策略包括在每个轮次计算第一阈值和第二阈值，所述第签得分，Ni和NU表示带标签数据量和不带标签数据量，表示第k个轮次在第c个类别上标签分类模块，用于利用伪标签分配器根据伪标签的得分将伪标签划分数据更新模块，用于将伪标签更新至数据集，并利用更新后的4训练控制模块，用于设置软标签在训练过程中仅参与预第一得分单元，用于根据伪标签生成时Softmax函数给出的概率值生成伪标签的分类第二得分单元，用于计算伪标签的分类得分与目标检第一划分单元，用于将标签得分高于第二阈值的伪标签标第一筛选单元，用于筛选出分类得分达到预设的分类得第二筛选单元，用于筛选出目标检测得分达训练设置单元，用于设置第一类软标签在训练过程中参处理器，用于执行所述基于半监督学习的目标检测程序时实现如权利要求1_5任一项行时实现如权利要求1_5任一项所述基于半监督学习的目标检测方5[0001]本发明属于目标检测技术领域，具体涉及一种基于半监督学习的目标检测方法、[0004]半监督学习目标检测的核心部分在于正负样本的分配。常用的分配方法是基于根据伪标签生成时Softmax函数给出的概率值生成伪标签的分类得分，并通过比对软标签的预测框与真实框的完整交并比生成软标签的目标检6将标签得分在第一阈值与第二阈值之间的伪标签标[0008]在一个可选的实施方式中，设置软标签在训练过程中仅参与预设的部分损失计筛选出目标检测得分达到预设的目标检测得分阈值的软标签，作为第二类软标[0009]在一个可选的实施方式中，设置第一类软标签在训练过程中参与计算目标性损确认第二类软标签的目标检测得分大于0.99，第二类软标签参与计算回归损失《9：7第二阈值用于区分划分可靠标签和软标签，轮次k的第一阈值和第二阈值计算方法包伪标签得分，Ni和NU表示带标签数据量和不带标签数据量，表示第k个轮次在第c个类第一得分单元，用于根据伪标签生成时Softmax函数给出的概率值生成伪标签的分类得分，并通过比对软标签的预测框与真实框的完整交并比生成软标签的目标检测得8第二筛选单元，用于筛选出目标检测得分达到预设的目标检测得分阈值的软标[0024]通过轮次适配器缓解了模型对带标签数据的过拟合，在每个epoch自适应地计算确定伪标签能够更精准的进行可靠伪标签和不确定伪标签的区分。9[0030]图4是本发明一个实施例的方法的DenseDetector的伪标签分数生成原理示意torchvision.datasets.ImageFolder是PyTorch中torchvision库提供的一个[0036]RetinaNet是一种用于目标检测的深度学习模型，由FacebookAIResearch（FAIR）的研究人员在2017年提出，论文名为《FocalLossforDenseObjectDetection》。该模型在目标检测领域有重要影响，核心贡献在于提出了焦点损失（Focal[0037]Efficient_teacher是阿里巴巴研究团队开发的一款用于YOLO系列的监督和成的伪标签，可防止在学生_教师相互学习机制中由大量低质量伪标签引起的偏差；[0039]目前，在深度学习领域较为常用的深度学习网络，比如一阶段的YOLO系列算法、[0040]本发明实施例提供的基于半监督学习的目标检测方法由计算机设备执行，相应述目标检测模型在训练后识别样本图像中的[0050]S5,设置软标签在训练过程中仅参与[0054]Backbone：负责输入图像的特征提取，YOLOv5x使用CSPDarknet53架构，结合了分（objectness得分进一步增强了模型的检测能力。物体性得分是计算机视觉领域用于衡量图像区域包含物体可能性的一个数值指标。Densedetector通过计算预测框与真实框够反映伪标签的位置质量，在小分辨率输入的情况下，Densedetector基于物体性得分和乘积。确认第二类软标签的目标检测得分大于0.99，第二类软标签参与计算回归损失《9：是缩小有标签数据与无标签数据之间的分布差距，从而减少域间差异对模型训练的影响，[0068]域自适应策略包括对带标签数据的损失伪标签得分，Ni和NU表示带标签数据量和不带标签数据量，表示第k个轮次在第c个类第一得分单元，用于根据伪标签生成时Softmax函数给出的概率值生成伪标签的分类得分，并通过比对软标签的预测框与真实框的完整交并比生成软标签的目标检测得第二筛选单元，用于筛选出目标检测得分达到预设的目标检测得分阈值的软标[0081]图6为本申请实施例提供的基于半监督学习的目标检测方法可以应用于设备。本的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（SRAM电可擦除可编程只读存储器（EEPROM可擦除可编程只读存储器（EPROM可编程只读存储器[0084]处理器610为存储设备的控制中心，利用各种接口和线路连接整个电子设备的各器内的数据，以执行电子设备的各种功能和/或处理数据。所述处理器可以由集成电路颗相同功能或不同功能的封装IC而组成。举例来说，处理器610可以仅包括中央处理器[0085]通信单元630，用于建立通信信道，从而使所述存储设备可以与其它设备进行通序执行时可包括本发明提供的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、[0087]本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在行本发明各个实施例所述方