一种用于目标检测的数据错误评分方法与流程

技术特征：
1.一种用于目标检测的数据错误评分方法，其特征在于，所述方法包括：对多个图片内的目标进行标记处理，生成目标检测数据；并将所述目标检测数据划分为训练集、测试集；将所述测试集通过训练模型进行推理，生成推理结果；将所述推理结果与所述训练集的真值进行配对，获得真正例、假正例、假反例；分别计算所述真正例、假正例、假反例的错误得分，并根据所述错误得分对多个图片进行处理；其中，所述训练模型通过目标检测算法对训练集训练获得。2.根据权利要求1所述的一种用于目标检测的数据错误评分方法，其特征在于，所述对多个图片内的目标进行标记处理，包括：将图片内的目标通过边界框进行标记，并标注当前边界框的目标类别，生成目标检测数据。3.根据权利要求2所述的一种用于目标检测的数据错误评分方法，其特征在于，所述训练集与所述测试集的比例为8:2或者所述训练集与所述测试集的比例为7:3。4.根据权利要求1所述的一种用于目标检测的数据错误评分方法，其特征在于，所述目标检测算法包括yolo系列算法、rcnn系列算法中任一种。5.根据权利要求1所述的一种用于目标检测的数据错误评分方法，其特征在于，所述推理结果包括每个目标检测数据的目标类别、边界框坐标、置信度。6.根据权利要求5所述的一种用于目标检测的数据错误评分方法，其特征在于，所述将所述推理结果与训练集的真值进行配对，获得真正例、假正例、假反例，包括：多个所述推理结果按照置信度进行降序排列；将所有推理结果与训练集计算交并比；根据所述交并比、推理结果的置信度，获得真正例、假正例、假反例。7.根据权利要求6所述的一种用于目标检测的数据错误评分方法，其特征在于，所述根据所述交并比、推理结果的置信度，获得真正例、假正例、假反例，将所述推理结果中置信度小于第二阈值判断判定为真反例；选择所述交并比大于第一阈值且置信度最大的推理结果，与当前训练集组成真正例；将交并比小于等于第一阈值的训练集判定为假反例；将没有配对的推理结果判定为假正例。8.根据权利要求6所述的一种用于目标检测的数据错误评分方法，其特征在于，根据所述真正例计算错误得分，包括：根据所述推理结果与训练集边界框的交并比、推理结果的置信度，计算第一错误得分，其公式为：mistakenness1＝(1-score 10-3)*(1-iou 10-3)，其中，score为推理结果的置信度，iou为交并比。9.根据权利要求8所述的一种用于目标检测的数据错误评分方法，其特征在于，根据所述假正例计算错误得分，包括：通过所述推理结果的置信度，计算第二错误得分，其公式为：mistakenness2＝0.5*score 0.4，其中，score为推理结果的置信度。10.根据权利要求9所述的一种用于目标检测的数据错误评分方法，其特征在于，根据
所述假反例计算错误得分，包括：若训练集未找到相匹配的推理结果，则第三错误得分为mistakenness3＝1；若训练集找到交并比大于0.5的推理结果，且训练集与推理结果的目标类别不相同，则第三错误得分计算公式为：mistakenness3＝0.5*score 0.5，其中，score为推理结果的置信度。11.根据权利要求10所述的一种用于目标检测的数据错误评分方法，其特征在于，所述根据所述错误得分对多个图片进行处理，包括：根据同一图片的多个所述第一错误得分、第二错误得分、第三错误得分，统计当前图片的目标错误得分；将多个图片根据目标错误得分进行排序，选取目标错误评分大于预设阈值的图进行检查、修改。12.根据权利要求10所述的一种用于目标检测的数据错误评分方法，其特征在于，所述根据同一图片的多个所述第一错误得分、第二错误得分、第三错误得分，统计当前图片的目标错误得分，包括：将多个第一错误得分、第二错误得分、第三错误得分进行排序，形成错误得分序列；选取所述错误评分序列中的部分或全部错误评分，进行求和或求平均统计当前图片的目标错误评分。

技术总结
本申请涉及一种用于目标检测的数据错误评分方法，所述方法包括：对多个图片内的目标进行标记处理，生成目标检测数据；并将所述目标检测数据划分为训练集、测试集；将所述测试集通过训练模型进行推理，生成推理结果；将所述推理结果与所述训练集的真值进行配对，获得真正例、假正例、假反例；分别计算所述真正例、假正例、假反例的错误得分，并根据所述错误得分对多个图片进行处理；其中，所述训练模型通过目标检测算法对训练集训练获得。其有益效果在于：本申请实现量化待清洗数据集的错误，并且综合考虑模型输出的不确定性，以及优化错误得分排序。得分排序。得分排序。


技术研发人员：杨鑫 贾楠 徐倩
受保护的技术使用者：惠州市德赛西威汽车电子股份有限公司
技术研发日：2022.01.05
技术公布日：2022/5/17