[发明专利]基于无监督学习的显著性物体检测方法及系统

权利要求书

1.一种基于无监督学习的显著性物体检测方法，其特征在于，包括：

获取目标域样本，所述目标域样本的标签为使用上一轮迭代得到的模型在目标域图像进行预测得到的伪标签；

利用方差评估所述目标域图像在不同数据增强下的显著性预测概率图的一致性，对所述伪标签进行不确定性评估，并根据每个目标域样本的不确定性得分进行不确定性排序；

其中，在不同的数据增强下产生的显著性预测概率图的公式为：

表示目标域图像的显著性预测图；I_t表示目标域图像；α_j(·)表示第j种数据增强方式；表示α_j(·)的逆变换操作；表示生成目标域图像伪标签的模型操作；

利用方差评估显著性概率图的一致性的公式为：

表示目标域图像的方差图；E表示平均运算；表示目标域图像的显著性预测图；N表示数据增强次数；

每个目标域样本的不确定性得分由以下公式获取：

表示目标域图像的不确定性得分；H表示目标域图像的高度；W表示目标域图像的宽度；h表示目标域图像垂直方向的坐标值；w表示目标域图像水平方向的坐标值；表示目标域图像的方差图在坐标(h,w)处的取值；

根据排序结果，对所述伪标签进行图片级筛选，得到伪标签不确定性低于预设阈值的目标域样本；

对所述目标域样本进行像素级伪标签重加权处理，得到用于下一个迭代训练的目标域样本；其中，目标域样本的像素级伪标签重加权权重由以下公式获取：

表示目标域图像的像素级伪标签重加权权重；k表示目标域图像的像素级伪标签重加权权重下降幅度；表示目标域图像的方差图。

2.根据权利要求1所述的基于无监督学习的显著性物体检测方法，其特征在于，所述数据增强为可逆转数据增强方式。

3.根据权利要求1所述的基于无监督学习的显著性物体检测方法，其特征在于，在所述根据排序结果，对所述伪标签进行图片级筛选之前，还包括：

利用先验知识删除显著性像素区域或者非显著性像素区域大于预设范围的伪标签。

4.一种基于无监督学习的显著性物体检测系统，其特征在于，包括：

伪标签获取单元，用于获取目标域样本，所述目标域样本的标签为使用上一轮迭代得到的模型在目标域图像进行预测得到的伪标签；

不确定性评估单元，用于利用方差评估所述目标域图像在不同数据增强下的显著性预测概率图的一致性，对所述伪标签进行不确定性评估，并根据每个目标域样本的不确定性得分进行不确定性排序；

其中，在不同的数据增强下产生的显著性预测概率图的公式为：

表示目标域图像的显著性预测图；I_t表示目标域图像；α_j(·)表示第j种数据增强方式；表示α_j(·)的逆变换操作；表示生成目标域图像伪标签的模型操作；

利用方差评估显著性概率图的一致性的公式为：

表示目标域图像的方差图；E表示平均运算；表示目标域图像的显著性预测图；N表示数据增强次数；

每个目标域样本的不确定性得分由以下公式获取：

表示目标域图像的不确定性得分；H表示目标域图像的高度；W表示目标域图像的宽度；h表示目标域图像垂直方向的坐标值；w表示目标域图像水平方向的坐标值；表示目标域图像的方差图在坐标(h,w)处的取值；

筛选单元，用于根据排序结果，对所述伪标签进行图片级筛选，得到伪标签不确定性低于预设阈值的目标域样本；

加权处理单元，用于对所述目标域样本进行像素级伪标签重加权处理，得到用于下一个迭代训练的目标域样本；其中，目标域样本的像素级伪标签重加权权重由以下公式获取：

表示目标域图像的像素级伪标签重加权权重；k表示目标域图像的像素级伪标签重加权权重下降幅度；表示目标域图像的方差图。

5.根据权利要求4所述的基于无监督学习的显著性物体检测系统，其特征在于，所述数据增强为可逆转数据增强方式。