[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

说明书

本发明公开了一种基于金字塔渐进擦除学习的自步学习排序方法，其包括粗金字塔网络和细金字塔网络，在粗金字塔网络中，提出金字塔对抗擦除机制，该机制逐层擦除和融合不同尺度的目标，鼓励网络发现完整的目标，以此在最后的定位图中分割出初始的目标区域；对初始目标区域进行掩码操作，提出相关得分，用于目标区域的伪标注标签；在细金字塔网络中，将初始目标区域及其伪标签用于训练，提出掩码兴趣区域网络层，该网络层可以保留输入大小的同时仅仅保留兴趣区域，最后使用金字塔对抗机制以细化更准确的目标边界，本发明有效减少了弱监督目标定位过程中对于大量精细位置注释的依赖，消耗资源较少，网络训练更稳定，应用广泛。

技术领域

本发明涉及.计算机视觉技术领域，尤其是涉及一种基于金字塔渐进擦除学习的自步学习排序方法。

背景技术

目标定位是计算机视觉领域一个重要的组成部分，它旨在识别场景中不同目标的位置。作为许多高级视觉任务的前提，目标定位可以应用于很多实际场景，例如视频智能监控，图像检索，机器人导航，无人机巡航，增强现实等。随着深度学习技术在计算机视觉领域的大规模应用，目标定位已经取得了巨大的突破，在识别准确度，定位准确度上已经可以应用于很多实际应用，随着大量研究人员的大投入研究，针对目标定位的研究成果层出不穷，是计算机视觉领域十分重要的研究课题。

然而，目前最先进的目标定位模型都需要大量人工标注的精细位置注释，这种位置注释需要大量人力物力来获取，意味着只有获取大量精细标注才有可能训练能够实际应用的模型。毫无疑问，这种完全监督的方式严重影响了目标定位算法的实际应用。因为在现实场景中，精细的位置注释往往难以获得，大部分获取的数据仅仅只有图像级标签，有些位置标签也存在缺失严重的情况，并且在人为的位置注释下也很容易引入人工误差影响实际模型训练。为了解决这个问题，仅仅利用图像级标签训练目标定位的弱监督算法开始成为很多研究者重点关注的热点，受到越来越多的关注。

目前，弱监督目标定位主流的方法是多实例学习(Multiple InstancesLearning,MIL),这种方法通过将实例看做一个个实例，通过迭代的方式挑选置信度最高的实例。这种多实例学习方式容易引入噪声，在训练中容易陷入局部最小值。尽管已经有很多方法改进这些问题，现有的方法与全监督的方式仍然有较大差距。

类激活映射(ClassActivation Mappings,CAM)从一个新的角度提出了弱监督目标定位的新方法，直接利用了卷积网络分类器学习到的具有辨别力的特征进行目标定位。随后，在类激活映射的基础上，Wei等人通过训练一个额外的分类网络实现了对抗擦除，通过将已经擦除部分辨别力特征的图片训练另一个分支网络，然后将多个分支的定位图融合从而定位完整的目标。然而这种方法必须花费更多的训练时间和计算资源来训练几个独立的网络以获得完整的目标区域。考虑到这些问题，Zhang等人提出了一种新颖的对抗互补学习方法(Adversarial Complementary Learning，ACoL)以端到端的弱监督训练了一个精确的目标定位网络用于发现完整的语义目标。然而，这种方法仍然需要训练额外的分类器。为了实现更有效的对抗擦除学习，Choe等人又提出了ADL(Attention-based Dropout Layer)层，一种轻量级但功能强大的方法，该方法利用自我注意机制来擦除对象的最有区别的部分。本发明在上述基础上，充分考虑上述方法的优缺点，提出基于自步对抗学习的弱监督目标定位方法，可以实现效果良好的目标定位网络。

发明内容

为解决上述问题，本发明提出了一种基于金字塔渐进擦除学习的自步学习排序方法，用于克服上述弱监督目标定位问题的多种或至少解决部分上述问题。

本发明所采用的技术方案是：一种基于金字塔渐进擦除学习的自步学习排序方法，包括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；