[发明专利]一种弱监督目标定位方法及装置

权利要求书

1.一种弱监督目标定位方法，其特征在于，包括如下步骤：

S1：导入原始图像数据集，并将所述原始图像数据集划分为图像训练集和图像测试集；

S2：将所述图像训练集中的各个原始图像进行多个角度旋转，得到各个原始图像的多个旋转图像；

S3：对所述图像训练集中各个原始图像以及各个原始图像的各个旋转图像进行多通道特征提取，得到所述图像训练集中各个原始图像的特征谱组以及各个旋转图像的特征谱组；

S4:根据所述图像训练集中各个原始图像的特征谱组中预设层特征谱以及各个旋转图像的特征谱组中预设层特征谱进行旋转预测总损失函数的计算，得到旋转预测总损失函数；

S5：构建伪标签生成网络，根据所述旋转预测总损失函数、所述图像训练集中各个原始图像的特征谱组以及各个旋转图像的特征谱组对所述伪标签生成网络进行伪标签生成网络更新的分析，得到对比总损失函数以及所述图像训练集中各个原始图像的目标对象定位图和伪标签；

S6：构建协同定位网络，根据所述对比总损失函数以及所述图像训练集中各个原始图像的目标对象定位图和伪标签对所述协同定位网络进行协同定位网络更新的分析，得到目标协同定位网络；

S7：通过所述目标协同定位网络对所述图像测试集中的所有原始图像进行测试，得到目标定位结果。

2.根据权利要求1所述的弱监督目标定位方法，其特征在于，所述S4的过程包括：

导入与所述图像训练集中各个原始图像一一对应的真实角度标签；

根据所述图像训练集中各个原始图像的特征谱组中预设层特征谱、各个旋转图像的特征谱组中预设层特征谱以及所有的真实角度标签计算损失函数，得到旋转预测总损失函数。

3.根据权利要求2所述的弱监督目标定位方法，其特征在于，所述S5的过程包括：

S51：构建伪标签生成网络；

S52：根据所述伪标签生成网络、所述图像训练集中各个原始图像的特征谱组以及各个旋转图像的特征谱组依次进行上采样分析、元素相乘融合、第一次全局平均池化处理以及注意力擦除的分析，对应得到所述图像训练集中各个原始图像的上采样特征谱组、原始定位谱、上采样特征向量和擦除后定位谱以及各个旋转图像的上采样特征谱组、原始定位谱、上采样特征向量和擦除后定位谱；

S53：对所述图像训练集中各个原始图像的原始定位谱和擦除后定位谱以及各个旋转图像的原始定位谱和擦除后定位谱依次进行第二次全局平均池化以及第一次归一化处理，得到所述图像训练集中各个原始图像的原始定位谱归一化向量和擦除后定位谱归一化向量以及各个旋转图像的原始定位谱归一化向量和擦除后定位谱归一化向量；

S54：导入与所述图像训练集中各个原始图像一一对应的地面真值类别标签，根据所述图像训练集中所有原始图像的上采样特征向量、原始定位谱归一化向量和擦除后定位谱归一化向量、各个旋转图像的上采样特征向量、原始定位谱归一化向量和擦除后定位谱归一化向量以及所有的地面真值类别标签计算损失函数，得到特征谱分类总损失函数和对比总损失函数；

S55：根据所述图像训练集中各个原始图像的上采样特征向量、原始定位谱和擦除后定位谱、各个旋转图像的上采样特征向量、原始定位谱和擦除后定位谱以及所有原始图像所对应的地面真值类别标签进行辅助总损失函数的分析，得到辅助总损失函数、所述图像训练集中各个原始图像的目标对象定位图以及各个旋转图像的目标对象定位图；

S56：根据所述图像训练集中所有原始图像的目标对象定位图、多个旋转图像的目标对象定位图以及所有原始图像所对应的地面真值类别标签进行定位谱分类总损失函数的分析，并根据损失函数分析后的结果、所述特征谱分类总损失函数、所述辅助总损失函数、所述旋转预测总损失函数以及所述对比度总损失函数计算损失函数,并根据计算后的结果对所述伪标签生成网络进行参数更新，并根据参数更新后的结果对所述图像训练集中各个原始图像进行测试分析，得到所述图像训练集中各个原始图像的伪标签。