[发明专利]一种基于边框回归的数据标注校正方法

权利要求书

1.一种基于边框回归的数据标注校正方法，其特征在于，包括如下步骤：

S1：将数据根据首次标注过程中的难易程度和对标注结果的置信度，分为gold标注和hard标注的两批样本数据；只有容易标注并且标注置信度高的样本分为gold标注的样本数据，其他均归入hard标注的样本数据；

S2：使用焦点损失函数改进目标检测算法YOLO V5，再使用gold标注的样本数据进行训练，待训练模型训练稳定后，每隔固定迭代次数保存m个训练模型，其中m为大于10的整数；

S3：将保存的m个训练模型在hard标注的样本数据上进行推理，根据推理结果形成的所有图片进行离线保存；

S4：针对每一张图片将m个训练模型所有的推理结果进行汇总，对所有的边框进行聚类，聚类的簇数目设置为当前图片上真实目标的个数；

S5：统计每簇内的边框数量，若边框数量＜m/2，则认为预测结果置信度低，保持人工的方式进行标注；若边框数量≥m/2，则认为预测结果置信度高，则进入S6；

S6：对S5中同簇内所有边框的上下左右四个边界点进行一般分布建模；

S7：根据S6中的建模结果，校正边框的位置。

2.如权利要求1所述的基于边框回归的数据标注校正方法，其特征在于，在步骤S2中还包括步骤S21：焦点损失函数包含QFL和DFL，分别如公式（1）和（2）所得；

（1）；

（2）；

公式（1）中，σ表示分类得分，y代表定位的置信度得分，β是调节分类得分和定位置信度得分之间绝对距离的调节因子；公式（2）中，Si表示yi经过softmax函数之后的结果。

3.如权利要求2所述的基于边框回归的数据标注校正方法，其特征在于，在步骤S2中还包括步骤S22：当训练的QFL和DFL累加后的总和不再大幅度下降时训练模型达到稳定状态，设置每隔固定的迭代次数保存训练模型，共保存m个训练模型。

4.如权利要求2所述的基于边框回归的数据标注校正方法，其特征在于，对目标检测算法YOLO V5的输出维度进行修改，将预先标注的真实值标签gt限制在[gt₀，gt_n]范围内，对边框回归的每个回归参数预测一个n+1的向量，该向量满足任意分布，并且预测与该向量对应的概率分布P(gt_i)，表示训练模型对当前边框回归的置信度，对预测的位置分布和概率分布仍然计算交叉熵损失函数并进行优化，其中，10＜n＜100，且n为整数。

5.如权利要求1所述的基于边框回归的数据标注校正方法，其特征在于，在步骤S7中还包括步骤S71：将S6中的建模结果向二维坐标系投影，并对投影曲线进行拟合。

6.如权利要求5所述的基于边框回归的数据标注校正方法，其特征在于，在步骤S7中还包括步骤S72：采用波峰识别算法分析曲线呈现的态势，曲线的峰值点满足一阶导数为零，二阶导数非负。

7.如权利要求6所述的基于边框回归的数据标注校正方法，其特征在于，在步骤S7中还包括步骤S73：当物体边界确定的时候，曲线往往只会出现一个波峰，此时根据波峰位置对含有hard标注的边框进行修正。

8.如权利要求7所述的基于边框回归的数据标注校正方法，其特征在于，在步骤S7中还包括步骤S74：当物体边界存在模糊不确定时，曲线可能会出现双峰型或者多峰型分布；若波峰的幅值相差较大，则选取最大波峰位置对含有hard标注的边框进行修正，否则，按照公式（3）通过加权和的形式对边框进行修正，

（3）。