[发明专利]一种基于通道选择的对抗消除弱监督目标检测方法

权利要求书

1.一种基于特征通道选择的对抗消除弱监督目标检测方法，其特征在于包括以下步骤：

步骤1：数据预处理

步骤2：生成目标区域候选框

通过选择性搜索算法对预处理后的每幅图像生成候选框集R，即生成图像中可能存在目标物体的一系列矩形区域，仅保留相似度和重合度小于阈值A的候选框；

步骤3：构建整体网络模型，模型分为六部分：初步特征提取网络、显著区域特征提取网络、次级区域特征学习网络、全面特征提取层、感兴趣区域池化层以及全局平均池化层；

其中，所述的初步特征提取网络用于提取图像的初步特征，输入为经过步骤1预处理后的数据集；

所述的显著区域特征提取网络用于对图像的初步特征进行特征通道选择，得到显著区域特征图像M^A；

所述的次级区域特征学习网络用于得到图像的次级特征图M^B，且与显著区域特征提取网络结构相同，区别在于网络参数不共享，输入为M^A经过对抗消除方法学习得到的除最显著区域外的特征

所述的全面特征提取层用于得到全面特征图M^fuse，具体为：将显著区域特征图M^A和次级区域特征图M^B求对应像素点的最大值，得到融合之后的全面特征图M^fuse

M^fuse＝max(M^A,M^B) (6)

其中，M^fuse为融合之后得到全面的特征图；

所述的感兴趣区域池化层用于将步骤2得到的候选区域框映射到全面特征图M^fuse中，并对每一个候选框进行感兴趣区域池化，将不同大小的候选框转化为相同维度的特征向量V_c；

所述的全局平均池化层(GAP)用于将目标框对应特征向量V_c，经过两次全局平均池化(GAP)后，利用softmax函数得到对应类别的概率值；

步骤7，整体网络模型训练

整体网络模型预测的类别概率通过总体损失函数L进行训练，通过训练数据的标签值与整体网络模型的预测值的差值反向传播，来训练整体网络模型，当模型收敛，则训练完成；

步骤8，获取待检测数据，经过步骤1、2处理后，利用训练完成的整体网络模型进行目标检测。

2.根据权利要求1所述的一种基于特征通道选择的对抗消除弱监督目标检测方法，其特征在于：所述的预处理具体指：对输入图像进行多尺度变换、水平翻转和随机裁剪。

3.根据权利要求1所述的一种基于特征通道选择的对抗消除弱监督目标检测方法，其特征在于：所述的初步特征提取网络模型优选VGG16模型。