[发明专利]基于特定物体像素梯度图的弱监督目标检测方法

摘要

基于特定物体像素梯度图的弱监督目标检测方法，涉及计算机视觉技术。提出特定物体像素梯度图。在训练过程中，提取图像的特定物体像素梯度图。基于特定物体像素梯度图，模型可以粗略估算目标物体的形状和位置；利用累计的特定物体像素梯度图来掩盖对应的图像，然后用掩盖的数据集微调模型，目的是让模型可以找到更多物体的部件；提出一种平均‑最大值池化神经网络层，这种网络层可以很大程度帮助弱监督目标检测。算法没有提高网络模型的复杂度，也没有使用额外的监督信息。大量的实验结果表明，取得了优异的弱监督目标检测和定位性能。

主权项

1.基于特定物体像素梯度图的弱监督目标检测方法，其特征在于包括模型训练和模型推理两部分；所述模型训练包括以下步骤：1)使用弱监督数据集对目标分类器进行微调训练，训练过程中使用平均‑最大池化层；2)提取输入图像每一个类别基于分类得分的特定物体像素梯度图,特定物体像素梯度图反应了像素对特定物体的响应，因此模型可以使用特定物体的像素梯度图来粗略估计目标物体的形状和位置；3)累加输入图像每个类别的特定物体像素梯度图，并掩盖对应的图像，获得新的图像；4)对训练数据集的每张图像，重复步骤2)～3)，直到对特定物体的分类得分小于阈值；5)用累计的特定物体像素梯度图掩盖对应的图像，并获得新的弱监督训练数据集6)重复步骤1)～5)，直到新的模型损失不再下降；所述模型推理包括以下步骤：7)输入图像到模型中，获得每个类别的分类得分；8)提取输入图像每一个类别基于分类得分的特定物体像素梯度图；9)累加每张图像每个类别的特定物体像素梯度图，并用累计的特定物体像素梯度图掩盖对应的图像，获得新的图像；10)重复步骤7)～9)，直到对特定物体的分类得分小于阈值；11)使用高斯模型提取累加像素梯度图的每个物体的部件，然后使用最小包围矩形获得检测结果。