[发明专利]基于协同学习的弱监督检测模型训练方法及系统在审
| 申请号： | 201810328284.5 | 申请日： | 2018-04-13 |
| 公开（公告）号： | CN108734195A | 公开（公告）日： | 2018-11-02 |
| 发明（设计）人： | 张娅;王嘉杰;姚江超;王延峰 | 申请（专利权）人： | 王延峰;张娅 |
| 主分类号： | G06K9/62 | 分类号： | G06K9/62;G06N3/08 |
| 代理公司： | 上海恒慧知识产权代理事务所(特殊普通合伙) 31317 | 代理人： | 徐红银 |
| 地址： | 200063 上海市普*** | 国省代码： | 上海;31 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开一种基于协同学习的弱监督检测模型训练方法及系统，包括：使用卷积神经网络提取图片的抽象视觉特征；随后使用强、弱两类检测模型根据视觉特征对检测结果进行预测；所述强检测器以包围框标注作为训练条件；所述弱检测器仅需图片级标注作为训练条件；然后计算训练误差，该误差由强检测器误差和弱检测器误差两部分组成；所述的强检测器误差由一致性损失定义；所述的弱检测器误差是图片级别的交叉熵损失；再利用训练误差同时更新强、弱检测器的参数，直至训练收敛。本发明基于协同学习的方式同时训练两个不同性质的检测模型，让两者在训练过程中相互协助、共同提高，从而解决了检测模型在弱监督条件下难以训练的问题。 | ||
| 搜索关键词： | 强检测器 检测 检测器 检测器误差 模型训练 视觉特征 训练条件 协同 标注 卷积神经网络 计算训练 检测结果 训练过程 训练收敛 包围框 交叉熵 再利用 监督 学习 图片 抽象 预测 更新 | ||
【主权项】：
1.一种基于协同学习的弱监督检测模型训练方法，其特征在于包括：S1：使用卷积神经网络提取图片的抽象视觉特征；S2：使用强检测器和弱检测器根据抽象视觉特征对图片检测结果进行预测，其中：所述强检测器DS，需要图片中的包围框标注![]()
作为训练条件，包括每一个包围框的类别标注![]()
和坐标标注![]()
所述弱检测器DW，仅需图片类别标签yc作为训练条件，不需要精细的包围框标注![]()
S3：根据上述预测结果计算训练误差，所述训练误差由强检测器误差和弱检测器误差两部分组成，包含作用于弱检测器的交叉熵误差L(DW)和作用于强检测器的一致性误差L(DS)；S4：基于得到的训练误差，使用梯度回传算法同时更新强检测器和弱检测器的参数，直至训练收敛。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于王延峰;张娅，未经王延峰;张娅许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201810328284.5/，转载请声明来源钻瓜专利网。
