一种搜索式困难样板深度学习方法与流程

1.本发明涉及一种样本学习方法，具体地说，是一种搜索式困难样板深度学习方法。


背景技术：

2.目前，主流深度学习方法跟踪通常是包含如下步骤：第一步，收集大量手工标注的样本；第二步，在每个样本上，对第一帧标注框附近进行正负样本的稠密采样；第三步，利用上一步采样到的样本训练二元分类器；第四步，在搜索框附近确认候选区域，进行分类，选择得分最高的区域当作追踪结果；第五步，重复以上步骤直至样本结束。
3.现有技术不足在于：现有的稠密采样方法得到的样本多样性不足；困难样本比较少，模型对挑战因素过于敏感。由于视觉跟踪仅给定一个包围盒作为初始条件，而跟踪的目标又是多样的，使得基于深度学习的跟踪方法无法得到足够的训练样本，属于典型的小样本学习问题。现有标注好的样本中，各种有挑战性的样本帧非常短。
4.而常规的稠密采样所得到的正样本多样性不足，使得模型容易过拟合，对挑战性因素过于敏感；现有的困难正样本都是根据模型的预测结果得到的，即：设定一个阈值范围，将置信度在该范围的样本都选择出来，放到下一个循环中继续微调模型，使得模型的鲁棒性更强。然而这种方法的选择依据依赖于模型的预测结果，但是模型的预测结果并非都是准确的，从而使得跟踪模型充满了不确定性。


技术实现要素：

5.发明目的：本发明目的在于针对现有技术的不足，提供一种搜索式困难样板深度学习方法。
6.技术方案：本发明所述一种搜索式困难样板深度学习方法，首先标记样板池并根据样板池设置全随机散点采样模型，并通过全随机散点采样模型从样板池中获取一级采样域；
7.根据深度学习的需求，选择主要样本参数并以此设置样本初选筛，由样本初选筛对一级采样域进行第一次甄别，进而获取正向样本库，并以正向样本库为基础设置样本网络；
8.设置一个包含爬虫式检索功能和样本收录及学习功能的搜索式深度学习智能体，该搜索式深度学习智能体中爬虫式检索功能内置有样本特征库并在爬虫检索的过程中将样本特征库内的特征与样本网络中各正向样本逐一比较并获取匹配样本特征库的目标样本并对目标样本进行深度学习。
9.作为优选的，所述样本特征库根据实际样本特征需求，包括分级甄选式样本特征库和枚举类比式样本特征库。
10.作为优选的，对一级采样域进行第一次甄别的同时对正向样本库中的样本进行同类项标记并将甄别出的样本在正向样本库中标记并分类储存。
11.作为优选的，在爬虫检索的过程中首先针对样本特征库中大类样本的特征需求对
正向样本库中分类储存的正向样本进行一级检索。
12.本发明相比于现有技术具有以下有益效果：摒弃了传统的样本检索方法，采用类似于搜索引擎工作模式的爬虫式检索方法实现了对困难样本的分步式样本甄别选择，可以保证困难样本中选择更为精准，便于后期对目标样本进行深度学习。
具体实施方式
13.下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
14.在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“轴向”、“径向”、“周向”等指示的方位或位置关系仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
15.在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，也可以是成一体；可以是机械连接，也可以是电连接，也可以是通讯连接；可以是直接连接，也可以通过中间媒介的间接连接，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
16.下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
17.一种搜索式困难样板深度学习方法，首先标记样板池并根据样板池设置全随机散点采样模型，并通过全随机散点采样模型从样板池中获取一级采样域；
18.根据深度学习的需求，选择主要样本参数并以此设置样本初选筛，由样本初选筛对一级采样域进行第一次甄别，进而获取正向样本库，并以正向样本库为基础设置样本网络；
19.设置一个包含爬虫式检索功能和样本收录及学习功能的搜索式深度学习智能体，该搜索式深度学习智能体中爬虫式检索功能内置有样本特征库并在爬虫检索的过程中将样本特征库内的特征与样本网络中各正向样本逐一比较并获取匹配样本特征库的目标样本并对目标样本进行深度学习。这一技术方案的优点在于摒弃了传统的样本检索方法，采用类似于搜索引擎工作模式的爬虫式检索方法实现了对困难样本的分步式样本甄别选择，可以保证困难样本中选择更为精准，便于后期对目标样本进行深度学习。
20.其中，样本特征库根据实际样本特征需求，包括分级甄选式样本特征库和枚举类比式样本特征库，采用分级甄选式样本特征库适用于目标样本特征较多且特征分级明确的常见，枚举类比式样本特征库适用于困难样本的原始样本库较大的场景。
21.对一级采样域进行第一次甄别的同时对正向样本库中的样本进行同类项标记并将甄别出的样本在正向样本库中标记并分类储存。
22.在爬虫检索的过程中首先针对样本特征库中大类样本的特征需求对正向样本库中分类储存的正向样本进行一级检索。
23.在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一特征和第二特征直接接触，或第一特征和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可以是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度低于第二特征。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”或“一些示例”等的描述，意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。
24.而且，描述的具体特征、结构、材料或者特点可以在任意一个或者多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
25.最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。