[发明专利]基于弱监督信息的深度学习图像目标映射及定位方法

权利要求书

1.一种基于弱监督信息的深度学习图像目标映射及定位方法，其特征在于，包括如下步骤：

S1，使用人工标注好类别标签的图像数据训练深度卷积神经网络框架，得到分类模型M1；

S2，在所述深度神经网络框架中删去卷积层后所有的全连接层，并加入一个全局带参可学习池化层和最后的分类全连接层，得到新的深度卷积神经网络框架；具体包括：

在深度卷积网络框架F1中，删除框架中最后一个卷积层Conv_last后的全连接层，重新设计最后的分类全连接层FC_cls，维度为m×c，其中c为类别数，获取深度卷积网络框架F1中Conv_last层后得到的卷积特征图F的尺寸w×w和数目m，随机生成m个相同大小为w×w的矩阵K，构成新的全局带参可学习池化层P_l，在Conv_last和FC_cls填入新生成的由m个w×w大小的矩阵组成的全局带参可学习池化层P_l，得到新的深度卷积神经网络框架F2；使用所述分类模型M1的模型参数对所述新的深度卷积神经网络框架F2的前半部分卷积层的参数进行初始化；

S3，使用人工标注好类别标签的图像数据训练所述新的深度卷积神经网络框架，得到新的分类模型M2，并获取全局带参可学习池化层参数；

S4，对于新输入的测试图像，使用所述新的分类模型M2进行特征提取，得到最后一个卷积层后的特征图，对所述特征图与全局带参可学习池化层参数进行内积后求和、非线性函数激活和列向量相乘后求和操作，得到最终的特征映射图，使得有用的特征信息被加权，根据所述最终的特征映射图通过阈值法得到初步定位框；

S5，对于所述新输入的测试图像，使用选择性搜索方法进行候选区域提取，再使用所述分类模型M1筛选出类别属于目标物体的置信度大于75％的候选框集合；

S6，对所述初步定位框和所述候选框进行非极大值抑制处理，得到所述测试图像最终的目标定位框。

2.根据权利要求1所述方法，其特征在于：所述的S1中的使用人工标注好类别标签的图像数据训练深度卷积神经网络框架，得到分类模型，包括：

设计深度卷积神经网络框架F1，其中F1由卷积层、池化层和全连接层组成，在最后一个卷积层Conv_last和网络尾部的分类全连接层之间由连续的全连接层组成，使用高斯参数对深度卷积神经网络框架F1中所有层的参数进行初始化设置；

使用人工标注好类别标签的图像数据作为训练样本(x_n,y_n)，其中n为训练样本数目，使用训练样本(x_n,y_n)训练所述深度神经网络框架F1得到分类模型，使用随机梯度下降法对分类模型进行优化，得到收敛后的分类模型M1。

3.根据权利要求2所述的方法，其特征在于，所述的S3中的使用人工标注带有类别信息标签的图像数据训练按照所述新的深度卷积神经网络框架，得到新的分类模型，并获取全局带参可学习池化层参数，包括：

使用带有人工标注类别信息的训练样本集(x_n,y_n)对所述新的深度卷积神经网络框架F2进行训练，训练优化算法使用随机梯度下降法，得到收敛后的新的分类模型M2，所述全局带参可学习池化层参数使用高斯参数进行初始化,训练完成后，获取网络全局带参可学习池化层参数及最后一个分类全连接层参数矩阵。