[发明专利]一种基于目标检测学习算法的图片数据筛选方法及系统

说明书

本发明公开一种基于目标检测学习算法的图片数据筛选方法及系统，涉及智能停车管理领域，包括：利用修正后的目标检测模型训练方法和初始标注的图片数据集，获取基本目标检测模型，并在此基础上利用划分的测试集根据图片内容识别准确度信息进行图片级别不确定性定义，以此获取初步的图片筛选指标；进一步当一次筛选图片数据量远大于预期标注数据量时，再通过图片特征聚类的方式进一步进行二次图片筛选，以保证同等数据量条件下筛选图片内容具有多样性分布；通过几次循环迭代更新模型，可最终实现新增数据标注量和模型准确度的能效比提升。

技术领域

本发明涉及智能停车管理领域，特别涉及一种基于目标检测学习算法的图片数据筛选方法及系统。

背景技术

目标检测作为计算机视觉的经典任务，在实际应用中具有大量应用场景，并可作为其他目标任务的基础性方法。近些年来，虽然无监督的目标检测方法在精度、速度和适用场景复杂度方面均得到极大的提升，但在实际应用场景中，为了保持极高的识别准确度一般最终还需要依赖大量的场景数据进行有监督的模型训练。并且随着识别精度的进一步提升，实际需要的标注数据的获取难度将呈现急剧增长的态势。如果在海量的实际数据中挖掘对模型效果提升最大的有效数据，既成为当前企业需要解决的重要问题。

目前，近年来发展的基于主动学习的目标检测算法，对于筛选高信息价值数据、高效提升模型精度提供了可参考性方法，其中该方法的核心即为如何利用目标检测模型的预测特性来定义未标注图片可提供对应当前模型提升的信息量指标。已有的方法中多基于目标检测的预测概率值估计图片的不确定度，但对于目标框的不确定度的估计很少，或是方法较为繁琐，例如，学习预测框的混合高斯概率密度或是对图片进行裁剪后多次输入模型进行预测框结果比较；但对于具有稠密且高概率遮挡的目标图片该类方法具有严重缺陷，因为基于一般常用的目标检测方法的预测概率在这种复杂情况下不能表征目标框的预测不确定度，而是表征裁剪后的分类不确定度，两者并不具有稳定相关性，因而无法利用该预测值便捷的定义合适的筛选指标，使得获取新数据标注后能取得更大的模型增益。

发明内容

为解决上述技术问题，本发明提供一种基于目标检测学习算法的图片数据筛选方法及系统，可以解决目前无法将目标检测模型的识别不稳定性和图片特征代表性信息，作为筛选指标进行图片数据筛选的问题。

为实现上述目的，一方面，本发明提供一种基于目标检测学习算法的图片数据筛选方法，所述方法包括：

将初始待标注图片数据集划分为训练集、验证集、测试集；

通过所述训练集和所述验证集对初始目标检测模型进行训练，获取目标检测模型；

根据所述测试集、所述目标检测模型的综合评分指标、所述目标检测模型的预测结果，确定所述初始待标注图片数据集对应的综合图片不确定性指标，并根据所述综合图片不确定性指标对所述初始待标注图片数据集进行筛选；

通过所述目标检测模型对筛选后的待标注图片数据进行二次筛选；

将所述进行二次筛选后的待标注图片数据集通过所述目标检测模型进行预测，获取预标注标签；

根据所述预标注标签对待标注图片数据集进行修正，并通过修正后的待标注图片数据集更新所述训练集后，训练所述目标检测模型。

进一步地，所述根据所述测试集、所述目标检测模型的综合评分指标、所述目标检测模型的预测结果，确定所述初始待标注图片数据集对应的综合图片不确定性指标的步骤包括：

通过所述综合评分指标的上下限阈值获取两组预测结果，并根据两组预测结果获取图片级目标框定位不稳定性指标；

通过所述综合评分指标和目标检测模型在预期最终输出条件下的评分阈值获取的预测结果，获取图片级分类预测不稳定性指标；

根据所述测试集的标注信息，获取所述预测结果相对于标注信息的图片级平均准确率；