【技术实现步骤摘要】
本专利技术涉及目标检测，特别是涉及基于混合标签筛选的弱监督显著性目标检测方法及系统。
技术介绍
1、显著性目标检测模仿人眼视觉注意力机制，旨在检测出一张图片或者一个视频中最吸引人的目标，已经在多个任务上有不同程度的应用，如语义分割、视频压缩和目标追踪等领域。近些年来，出现了越来越多基于深度神经网络的方法，他们在检测准确性上取得了非常大的成果。但是这类方法大多依赖于像素级的标注作为监督进行训练，这类标签的制作费时费力，有较大的成本。因此诞生了成本更低的弱监督和无监督方法，这类方法大多依赖于稀疏标签，这类标签的制作具有很强的交互性，且制作起来方标快捷，已经在语义分割、目标检测等领域有了非常多的应用。
技术实现思路
1、为了解决现有技术的不足，本专利技术提供了基于混合标签筛选的弱监督显著性目标检测方法及系统；
2、一方面，提供了基于混合标签筛选的弱监督显著性目标检测方法，包括：
3、在第一轮训练中，将第一数据集输入到优化网络中，对其进行训练，得到训练后的优化网络；将训练后的优化网络的输出端与第一判别器的输入端进行连接，得到第一生成对抗网络，将第一数据集输入到第一生成对抗网络中，对其进行训练，得到训练后的第一生成对抗网络；将第二数据集中未参与训练的n幅图像与第一数据集合并后，输入到训练后的第一生成对抗网络中，优化网络输出图像的伪标签；第一判别器对伪标签进行打分，并按照分数由高到低的顺序对图像进行排序，选取排序前t个图像作为第三数据集；根据第三数据集的t个图像的伪标签
4、将第三数据集，输入到预测网络中，对预测网络进行训练，得到训练后的预测网络；将训练后的预测网络的输出端与第二判别器的输入端进行连接，得到第二生成对抗网络，将第三数据集输入到第二生成对抗网络中，对其进行训练，得到训练后的第二生成对抗网络；将第一数据集和第二数据集，输入到训练后的第二生成对抗网络中，预测网络输出图像的伪标签；第二判别器对伪标签进行打分，并按照分数由高到低的顺序对图像进行排序，选取排序前t个图像作为第四数据集；根据第四数据集的t个图像的伪标签，将第一数据集和第二数据集中的对应图像的原标签更新为伪标签；至此，一轮训练结束；
5、重复若干轮训练，直至第二数据集的图像全部均参与过训练，则训练结束；获取待显著性目标检测的图像，将待显著性目标检测的图像，输入到最后一轮训练后的预测网络中，得到显著性目标检测结果。
6、另一方面，提供了基于混合标签筛选的弱监督显著性目标检测系统，包括：
7、第一训练模块，其被配置为：在第一轮训练中，将第一数据集输入到优化网络中，对其进行训练，得到训练后的优化网络；将训练后的优化网络的输出端与第一判别器的输入端进行连接，得到第一生成对抗网络，将第一数据集输入到第一生成对抗网络中，对其进行训练，得到训练后的第一生成对抗网络；将第二数据集中未参与训练的n幅图像与第一数据集合并后，输入到训练后的第一生成对抗网络中，优化网络输出图像的伪标签；第一判别器对伪标签进行打分，并按照分数由高到低的顺序对图像进行排序，选取排序前t个图像作为第三数据集；根据第三数据集的t个图像的伪标签，将第一数据集和第二数据集中的对应图像的原标签更新为伪标签；
8、第二训练模块，其被配置为：将第三数据集，输入到预测网络中，对预测网络进行训练，得到训练后的预测网络；将训练后的预测网络的输出端与第二判别器的输入端进行连接，得到第二生成对抗网络，将第三数据集输入到第二生成对抗网络中，对其进行训练，得到训练后的第二生成对抗网络；将第一数据集和第二数据集，输入到训练后的第二生成对抗网络中，预测网络输出图像的伪标签；第二判别器对伪标签进行打分，并按照分数由高到低的顺序对图像进行排序，选取排序前t个图像作为第四数据集；根据第四数据集的t个图像的伪标签，将第一数据集和第二数据集中的对应图像的原标签更新为伪标签；至此，一轮训练结束；
9、循环训练模块，其被配置为：重复若干轮训练，直至第二数据集的图像全部均参与过训练，则训练结束；
10、显著性目标检测模块，其被配置为：获取待显著性目标检测的图像，将待显著性目标检测的图像，输入到最后一轮训练后的预测网络中，得到显著性目标检测结果。
11、再一方面，还提供了一种电子设备，包括：
12、存储器，用于非暂时性存储计算机可读指令；以及
13、处理器，用于运行所述计算机可读指令，
14、其中，所述计算机可读指令被所述处理器运行时，执行上述第一方面所述的方法。
15、再一方面，还提供了一种存储介质，非暂时性存储计算机可读指令，其中，当非暂时性计算机可读指令由计算机执行时，执行第一方面所述方法的指令。
16、再一方面，还提供了一种计算机程序产品，包括计算机程序，所述计算机程序当在一个或多个处理器上运行的时候用于实现上述第一方面所述的方法。
17、上述技术方案具有如下优点或有益效果：
18、本专利技术提出了一种新颖的循环生成对抗框架，通过迭代循环的从简单样本出发不断自我提升的训练策略，对粗糙标签进行筛选和优化。本专利技术提出了一个整体-局部的标签挑选策略，将传统方法预测良好的标签以及在部分像素上表现良好的标签挑选出来，迭代增强网络预测能力。本专利技术提出的方法超过了其他弱监督方法，甚至优于部分强监督方法。
本文档来自技高网...【技术保护点】
1.基于混合标签筛选的弱监督显著性目标检测方法，其特征是，包括：
2.如权利要求1所述的基于混合标签筛选的弱监督显著性目标检测方法，其特征是，所述方法还包括：
3.如权利要求1所述的基于混合标签筛选的弱监督显著性目标检测方法，其特征是，所述方法，还包括：构建第一数据集和第二数据集；所述第一数据集，包括：若干幅图像，每一幅图像均包括真实标签和粗糙标签；所述第二数据集，包括：若干幅图像，每一幅图像包括粗糙标签。
4.如权利要求1所述的基于混合标签筛选的弱监督显著性目标检测方法，其特征是，选取排序前T个图像作为第三数据集，具体包括：
5.如权利要求4所述的基于混合标签筛选的弱监督显著性目标检测方法，其特征是，像素置信度，是指：
6.如权利要求1所述的基于混合标签筛选的弱监督显著性目标检测方法，其特征是，所述将第一数据集输入到第一生成对抗网络中，对其进行训练，得到训练后的第一生成对抗网络，还包括：采用第一总损失函数，对第一生成对抗网络的参数进行优化；所述第一总损失函数，其表达式为：
7.基于混合标签筛选的弱监督显著性
8.一种电子设备，其特征是，包括：
9.一种存储介质，其特征是，非暂时性存储计算机可读指令，其中，当非暂时性计算机可读指令由计算机执行时，执行权利要求1-6任一项所述方法的指令。
10.一种计算机程序产品，其特征是，包括计算机程序，所述计算机程序当在一个或多个处理器上运行的时候用于实现上述权利要求1-6任一项所述的方法。
...【技术特征摘要】
1.基于混合标签筛选的弱监督显著性目标检测方法，其特征是，包括：
2.如权利要求1所述的基于混合标签筛选的弱监督显著性目标检测方法，其特征是，所述方法还包括：
3.如权利要求1所述的基于混合标签筛选的弱监督显著性目标检测方法，其特征是，所述方法，还包括：构建第一数据集和第二数据集；所述第一数据集，包括：若干幅图像，每一幅图像均包括真实标签和粗糙标签；所述第二数据集，包括：若干幅图像，每一幅图像包括粗糙标签。
4.如权利要求1所述的基于混合标签筛选的弱监督显著性目标检测方法，其特征是，选取排序前t个图像作为第三数据集，具体包括：
5.如权利要求4所述的基于混合标签筛选的弱监督显著性目标检测方法，其特征是，像素置信度，是指：
【专利技术属性】
技术研发人员：丛润民，秦萁，冯富祥，李华，张伟，
申请(专利权)人：山东大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。