[发明专利]一种弱监督目标定位方法及装置

说明书

本发明提供一种弱监督目标定位方法及装置，属于目标定位领域，方法包括：S1：导入原始图像数据集，并将原始图像数据集划分为图像训练集和图像测试集；S2：将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。本发明能够通过挖掘细粒度目标的互补性以及一致性，提高了弱监督定位的精度。

技术领域

本发明主要涉及目标定位技术领域，具体涉及一种弱监督目标定位方法及装置。

背景技术

弱监督目标定位旨在仅使用图像级标签定位目标对象的位置。与全监督目标定位方法相比，弱监督目标定位方法不需要昂贵的边界框注释。因此，弱监督目标定位方法减轻了对训练样本进行细粒度标记所需的大量人力和时间。弱监督目标协同定位是弱监督目标定位的一个特例，其目的是在包含一个超类的数据集中找到公共对象。这些细粒度数据集包含两个特征：1)特定的细粒度对象及其周围环境存在共现问题，这可能导致对象定位的模糊性；2)细粒度对象的周围环境复杂多样，这会降低定位精度。这些特征对弱监督目标的协同定位提出了很大的挑战。

为了缓解这些问题，现有的方法通常使用多实例学习(MIL)方法和自监督学习(SSL)方法用于对象共定位。基于MIL的方法利用选择正实例和学习对象检测器之间的交替优化来实现对象共定位，这些方法通过在正面实例中使用丰富的对象信息，从复杂和多样的环境中识别和定位目标对象。然而，由于生成了一系列实例包，这些方法需要较高的计算成本。基于SSL的方法使用图像变换作为借口任务，然后训练借口任务学习具有良好语义或结构意义的表示来定位对象。为了缓解细粒度对象与其周围环境共存的问题，这些方法使用不同的图像增强策略来学习有意义的特征表示。尽管现有的目标协同定位方法取得了令人印象深刻的性能，但它们忽略了细粒度对象共享的公共部件信息以及细粒度对象互补性的部件对细粒度目标的协同定位的影响。导致它们不能全面、准确地描述对象模式，从而影响最终的协同定位性能。

发明内容

本发明所要解决的技术问题是针对现有技术的不足，提供一种弱监督目标定位方法及装置。

本发明解决上述技术问题的技术方案如下：一种弱监督目标定位方法，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。

基于上述一种弱监督目标定位方法，本发明还提供一种弱监督目标定位装置。