[发明专利]一种基于无监督物体检测消除偏差的网络数据学习方法

摘要

一种基于无监督物体检测消除偏差的网络数据学习方法。该方法的目的是弱化网络图像与标准数据集之间的构造偏差，从网络图像中学习并应用于卷积神经网络训练中，即通过无监督物体检测的方法在训练数据中加入处理后的网络图像来解决深度学习训练中数据不足的问题。本发明首先根据先验知识生成第一种弱边界框作为输入数据训练第一个候选区域生成网络模型RPN,获得包含目标物体的内容区域图像；再使用更小尺度的第二种弱边界框来训练第二个候选区域生成网络模型，得到内容区域图像上的对象区域，而后设置形式约束和标签约束来消除偏差，选择出相对于标准数据集无偏差的区域作为新图像用于训练卷积神经网络，最终应用于图像分类任务中。

主权项

1.一种基于无监督物体检测消除偏差的网络数据学习方法，用于获取与标准数据集无偏差的图片区域来增加训练卷积神经网络过程中的训练数据，其特征在于，包括：a.在目标任务的标准数据集上，根据先验知识“标准细分类数据图像通常包含一个位于靠近中心位置的、尺度较好的单个物体”生成弱边界框标记目标物体，并用来训练第一个候选区域生成网络模型；b.使用步骤a中的标准数据集和生成的弱边界框作为输入数据，基于faster‑rcnn训练第一个候选区域生成网络模型RPN；c.对于从网络中收集的图像数据，使用步骤b中得到的第一个候选区域生成网络模型RPN获得包含目标物体的候选内容区域的图像；这一步骤过滤掉了网络数据中与目标标签完全无关的图像，使得候选的内容区域含有相关目标物体,这并不是对网络图像中目标物体的精准定位，而是根据网络图像生成包含对象的候选区域，为后面步骤中对候选的区域图像的进一步筛选做准备；d.为进一步筛选图像，使用相比第一种弱边界框尺度更小的第二种弱边界框标记标准数据集图像用于训练第二个物体区域生成网络模型RPN，将步骤c中得到的网络图像的候选内容区域作为第二个物体区域生成网络模型的输入数据，得到步骤c中生成的内容区域图像上的对象区域，使得新生成的对象区域中对象的尺度大小、密度、位置和内容接近标准数据集图像，这一步骤严格地限制了目标物体的标签、过滤掉了标签错误的图像；e.为了减少冗余计算，需要先对步骤d中获得的所有对象区域采用非最大抑制NMS，而后设置形式约束和标签约束来消除偏差，根据步骤d中得到的对象区域和任务的相关程度，优化形式约束和标签约束的得分方程，从对象区域中选择出相对于标准数据集无偏差的区域作为新图像用于训练卷积神经网络。