一种基于金字塔渐进擦除学习的自步学习排序方法与流程

技术特征：
1.一种基于金字塔渐进擦除学习的自步学习排序方法，其特征在于，所述自步学习排序方法包括如下步骤：s1：提出定位网络，所述定位网络包括两个子网络，分别为粗金字塔网络和细金字塔网络；s2：在s1中的所述粗金字塔网络中，提出金字塔对抗擦除机制，所述金字塔对抗擦除机制用于逐层擦除和融合不同尺度的目标，并鼓励所述粗金字塔网络发现完整的目标，以此在最后的定位图中分割出初始目标区域；s3：对s2中的所述初始目标区域进行掩码操作，提出相关得分，用于对初始目标区域的伪标注标签；s4：在s1中的所述细金字塔网络中，将s3中的所述初始目标区域及其伪标注标签用于训练，并提出掩码兴趣区域网络层，所述掩码兴趣区域网络层可以在保留输入大小的同时仅仅保留兴趣区域；s5：使用金字塔对抗机制以细化更准确的目标边界，结束。2.根据权利要求1所述的一种基于金字塔渐进擦除学习的自步学习排序方法，其特征在于，所述s2中的金字塔对抗擦除机制定义为：在以resnet50为基本架构的网络中，逐步擦除四种尺寸的特征图，所述特征图的尺寸包括{56
×
56,28
×
28,14
×
14,7
×
7},进而将所述金字塔对抗擦除机制重新定义为ae step{1,2,3,4},在每一个ae step中，包括如下步骤：步骤一：定义每个ae step i开始的第一层为最后一层为步骤二：将和归一化到[0,1]，其输出定义为和步骤三：在中，将最具辨别力的部分定义为特征图一系列像素点的值大于给定阈值δ的部分，通过将其像素值置为0，从而擦除中最具辨别力的部分；步骤四：单纯地擦除无法鼓励网络发现目标的不同部分，因此，使用跳远连接(skip connection)对擦除前和擦除后的相同大小的层进行特征融合，步骤五：令表示融合过的层，其计算方式为对和逐元素求最大值，如下式所示：3.根据权利要求1所述的一种基于金字塔渐进擦除学习的自步学习排序方法，其特征在于，所述s2中，在最后的定位图中分割出初始目标区域的操作步骤如下：步骤一：获取最后一层的融合定位图；步骤二：调整定位图与原始图片一样的大小；步骤三：使用固定的阈值分割前景和背景，用于产生相应的预测回归框用于定位；步骤四：寻找覆盖前景像素中最大连接区域的边界框；步骤五：生成对应的回归框。4.根据权利要求1所述的一种基于金字塔渐进擦除学习的自步学习排序方法，其特征在于，所述s4中，使用对抗多标签损失函数对初始目标区域及其伪标注标签进行训练，所述对抗多标签损失函数定义如下：假设训练集包含n张图片，需要识别的目标有k类，将训练集表述为
其中i表示表示相应图片，l表示相应图片的标签，其可以形式化为为k维向量l＝[l1,l2,...,l
k
]
t
，这里每个l用1或者0表示是否相应的目标是否在图片中出现，网络的最后输出添加了一个对抗分支，对应添加了一个对抗标签如下述公式：这里每个l显示是否图片包括相应的目标，同样的是，每个l
a
表示是否图片不包含相应的目标。为了计算最后的损失，对于输入的图片i，前向计算获取最后的两个k维向量输出p(i)以及p
a
(i)，两个输出均通过sigmoid函数实现了概率化处理，p(i)和p
a
(i)分别表示每个目标出现的概率和每个目标不会出现的概率，对于某一张输入图片，对于第i类的损失可以定义为下式：总损失通过对所有训练样例以及所有类别进行求和和平均得到，如下式所示：5.根据权利要求1所述的一种基于金字塔渐进擦除学习的自步学习排序方法，其特征在于，所述s3中的提出相关得分的过程包绕如下步骤：步骤一：将掩码后的初始目标区域作为输入；步骤二：将输出后分类得分下降的程度作为相关得分的指标，即将相关得分形式化为k维向量步骤三：将一系列初始目标区域表示为p，输入的图片定义为i，以p中某个目标提案为例，表示对进行掩码操作的图像，进而可用表示网络输入原始图像后的输出，即包含每个目标的概率，表示网络输入掩码图像后的输出；步骤四：相关得分的计算方式如下式所示：其中softmax保证了初始目标区域所有目标的相关得分s1 s2
…
s
k
＝1,所有的操作都是逐元素进行的。6.根据权利要求1
‑
5任一项所述的一种基于金字塔渐进擦除学习的自步学习排序方法，其特征在于，引入自步学习协议对原始数据集从易到难进行排序，以降低数据集噪声的影响，其具体协议包括：定义各种指标衡量图片的难度，包括注释目标的数量，不同目标的数量，目标占整张图
片的比例，是否被遮挡及被遮挡的程度，已经被认为识别困难的目标数量，对每一指标指定相应的得分，最后使用kendall'τ排序系数综合判定图片难度，对相应训练数据集进行排序。7.根据权利要求6所述的一种基于金字塔渐进擦除学习的自步学习排序方法，其特征在于，利用已经排序完成的数据集对所述粗金字塔网络和所述细金字塔网络进行训练，训练完成后，输入测试图片，可以得到相应的定位图中使用阈值分割出的相应目标区域，并得到最后的定位结果。

技术总结
本发明公开了一种基于金字塔渐进擦除学习的自步学习排序方法，其包括粗金字塔网络和细金字塔网络，在粗金字塔网络中，提出金字塔对抗擦除机制，该机制逐层擦除和融合不同尺度的目标，鼓励网络发现完整的目标，以此在最后的定位图中分割出初始的目标区域；对初始目标区域进行掩码操作，提出相关得分，用于目标区域的伪标注标签；在细金字塔网络中，将初始目标区域及其伪标签用于训练，提出掩码兴趣区域网络层，该网络层可以保留输入大小的同时仅仅保留兴趣区域，最后使用金字塔对抗机制以细化更准确的目标边界，本发明有效减少了弱监督目标定位过程中对于大量精细位置注释的依赖，消耗资源较少，网络训练更稳定，应用广泛。应用广泛。应用广泛。


技术研发人员：琚小明
受保护的技术使用者：浙江捷瑞电力科技有限公司
技术研发日：2021.08.13
技术公布日：2021/11/5