[发明专利]一种基于金字塔渐进擦除学习的自步学习排序方法

权利要求书

1.一种基于金字塔渐进擦除学习的自步学习排序方法，其特征在于，所述自步学习排序方法包括如下步骤：

S1：提出定位网络，所述定位网络包括两个子网络，分别为粗金字塔网络和细金字塔网络；

S2：在S1中的所述粗金字塔网络中，提出金字塔对抗擦除机制，所述金字塔对抗擦除机制用于逐层擦除和融合不同尺度的目标，并鼓励所述粗金字塔网络发现完整的目标，以此在最后的定位图中分割出初始目标区域；

S3：对S2中的所述初始目标区域进行掩码操作，提出相关得分，用于对初始目标区域的伪标注标签；

S4：在S1中的所述细金字塔网络中，将S3中的所述初始目标区域及其伪标注标签用于训练，并提出掩码兴趣区域网络层，所述掩码兴趣区域网络层可以在保留输入大小的同时仅仅保留兴趣区域；

S5：使用金字塔对抗机制以细化更准确的目标边界，结束。

2.根据权利要求1所述的一种基于金字塔渐进擦除学习的自步学习排序方法，其特征在于，所述S2中的金字塔对抗擦除机制定义为：在以ResNet50为基本架构的网络中，逐步擦除四种尺寸的特征图，所述特征图的尺寸包括{56×56,28×28,14×14,7×7},进而将所述金字塔对抗擦除机制重新定义为AE step{1,2,3,4},在每一个AE step中，包括如下步骤：

步骤一：定义每个AE step i开始的第一层为最后一层为

步骤二：将和归一化到[0,1]，其输出定义为和

步骤三：在中，将最具辨别力的部分定义为特征图一系列像素点的值大于给定阈值δ的部分，通过将其像素值置为0，从而擦除中最具辨别力的部分；

步骤四：单纯地擦除无法鼓励网络发现目标的不同部分，因此，使用跳远连接(skipconnection)对擦除前和擦除后的相同大小的层进行特征融合，

步骤五：令表示融合过的层，其计算方式为对和逐元素求最大值，如下式所示：

3.根据权利要求1所述的一种基于金字塔渐进擦除学习的自步学习排序方法，其特征在于，所述S2中，在最后的定位图中分割出初始目标区域的操作步骤如下：

步骤一：获取最后一层的融合定位图；

步骤二：调整定位图与原始图片一样的大小；

步骤三：使用固定的阈值分割前景和背景，用于产生相应的预测回归框用于定位；

步骤四：寻找覆盖前景像素中最大连接区域的边界框；

步骤五：生成对应的回归框。

4.根据权利要求1所述的一种基于金字塔渐进擦除学习的自步学习排序方法，其特征在于，所述S4中，使用对抗多标签损失函数对初始目标区域及其伪标注标签进行训练，所述对抗多标签损失函数定义如下：

假设训练集包含N张图片，需要识别的目标有K类，将训练集表述为其中I表示表示相应图片，L表示相应图片的标签，其可以形式化为为K维向量L＝[l₁,l₂,...,l_K]^T，这里每个l用1或者0表示是否相应的目标是否在图片中出现，网络的最后输出添加了一个对抗分支，对应添加了一个对抗标签如下述公式：

这里每个L显示是否图片包括相应的目标，同样的是，每个L_a表示是否图片不包含相应的目标。为了计算最后的损失，对于输入的图片I，前向计算获取最后的两个K维向量输出P(I)以及P_a(I)，两个输出均通过sigmoid函数实现了概率化处理，P(I)和P_a(I)分别表示每个目标出现的概率和每个目标不会出现的概率，对于某一张输入图片，对于第i类的损失可以定义为下式：

总损失通过对所有训练样例以及所有类别进行求和和平均得到，如下式所示：