【技术实现步骤摘要】
本公开实施例涉及计算机视觉与深度学习，尤其涉及一种面向机载光电图像的半监督目标识别方法。
技术介绍
1、随着深度学习技术日益成熟，以深度学习为基础的目标识别算法取得了显著成就，但其效果在很大程度上取决于应用场景中样本标注的质量和数量。在机载光电图像的识别任务中，需要在高空中对地面目标进行识别，图像数据通常是由机载光电传感器拍摄的。飞行器在飞行过程中积累了大量的图像数据，但对大量的图像数据进行目标标注非常耗时耗力，标注成本极高。在获取新数据后需要对模型进行迭代训练，对采集数据进行人工标注的速度难以满足新数据产生的速度，大量的无标签样本仍难以被利用。因此，通过半监督目标识别技术，采用一部分有标注的数据与一部分无标注的数据进行联合训练，在减少人工标注的情况下，挖掘无标签样本中的信息，丰富识别模型对数据边缘分布概率的理解，辅助训练样本对决策边界的进一步约束，实现对无标注数据的有效利用，达到比仅利用有标注数据进行有监督学习更好的识别效果。
2、如何提升已有标签样本的利用率，如何挖掘无标签样本信息使其能够参与模型训练，如何尽量在少标注的情况下快速让模型在该场景下拥有较高的识别精度是急需考虑与解决的实际问题。
3、当获取到大量的无标注新数据时，对其进行全部标注，然后进行有监督训练的方式耗费的成本极高，新的无标注数据无法被利用。现有的方法未考虑利用部分标注数据和无数据进行联合半监督训练的方法提高现有模型的性能；未考虑更精细的伪标签分配策略来提高半监督训练的效果；未考虑模型预测时目标类别和目标位置的相互关联。现有方法利用现
4、综上所述，在使用部分有标注数据和一部分无标注数据的情况下，进一步提升利用有标注数据训练得到的现有模型对机载光电图像中目标的识别效果仍是一个巨大的挑战。
5、因此，有必要改善上述相关技术方案中存在的一个或者多个问题。
6、需要注意的是，本部分旨在为权利要求书中陈述的本公开的技术方案提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
技术实现思路
1、本公开实施例的目的在于提供一种面向机载光电图像的半监督目标识别方法，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。
2、根据本公开实施例，提供一种面向机载光电图像的半监督目标识别方法，该方法包括：
3、获取图像序列，并将所述图像序列按照第一预设比例划分为训练数据集和测试数据集；
4、按照第二预设比例对所述训练数据集中的图像进行标注，以得到有标注样本集和无标注样本集，并将所述无标注样本集和所述有标注样本集进行数据增强；
5、构建半监督教师学生网络联合训练框架；其中，所述半监督教师学生网络联合训练框架包括教师网络和学生网络；
6、将增强后的所述无标注样本集输入至所述教师网络进行推理，以生成伪标签，并根据类型对所述伪标签进行划分；其中，所述伪标签包括可靠伪标签、不确定伪标签和错误伪标签；
7、基于所述有标注样本的有监督损失和所述无标注样本的无监督损失，构建联合损失函数；
8、将增强后的所述无标注样本集、所述有标注样本集和所述伪标签输入至所述学生网络中进行训练，结合所述联合损失函数，得到约束所述学生网络的第一权重参数；
9、利用ema算法处理所述第一权重参数后，加载至所述教师网络中，以更新所述教师网络的第二权重参数；
10、利用更新后的所述教师网络迭代训练所述学生网络，直至得到训练好的所述学生网络；
11、将所述测试数据集输入至训练好的所述学生网络中，得到测试样本中目标位置和预测类别。
12、进一步的，获取图像序列，并将所述图像序列按照第一预设比例划分为训练数据集和测试数据集的步骤中，包括：
13、利用机载平台搭载的光电设备采集不同场景的光电视频；
14、对所述光电视频进行抽帧处理，得到对应的所述图像序列；
15、对所述图像序列尺寸进行调整，使所述图像序列的图像分辨率大小为预设值；
16、将所述图像序列按照7:3划分为所述训练数据集和所述测试数据集。
17、进一步的，按照第二预设比例对所述训练数据集中的图像进行标注，以得到有标注样本集和无标注样本集，并将所述无标注样本集和所述有标注样本集进行数据增强的步骤中，包括：
18、将所述训练数据集按照8:2划分为所述无标注数据集和所述有标注数据集，并对所述有标注数据集中的图像进行标注；
19、基于图像变换方式构建数据增强库；其中，所述图像变换方式包括对比度变换、亮度变换、镜像变换、图像平移、图像旋转、图像加噪、运动模糊、增加云雾和增加雨雪；
20、根据机载场景选取若干个对应的所述图像变换方式对所述无标注样本集和所述有标注样本集进行数据增强。
21、进一步的，所述对比度变换和所述亮度变换不同时使用，所述增加云雾和所述增加雨雪不同时使用，所述图像加噪以0.1的概率进行选用，所述运动模以0.2的概率进行选用。
22、进一步的，构建半监督教师学生网络联合训练框架的步骤中，包括：
23、搭建所述半监督教师学生网络联合训练框架，所述框架由两个结构相同、参数初始化不同的所述教师网络和所述学生网络，所述教师网络和所述学生网络的初始参数均由随机初始化产生，且网络结构采用yolov10。
24、进一步的，将增强后的所述无标注样本集输入至所述教师网络进行推理，以生成伪标签，并根据类型对所述伪标签进行划分的步骤中，包括：
25、将增强后的所述无标注样本集输入至所述教师网络中生成所述伪标签；
26、设定高阈值和低阈值；
27、将置信度大于所述高阈值的所述伪标签定义为所述高质量伪标签；
28、将置信度在所述高阈值和所述低阈值之间的所述伪标签定义为所述不确定伪标签；
29、将置信度小于所述低阈值的所述伪标签定义为所述错误伪标签。
30、进一步的，基于所述有标注样本的有监督损失和所述无标注样本的无监督损失，构建联合损失函数的步骤中，包括：
31、根据所述有标注样本集中目标位置、类别、置信度和标注信息构建有监督损失；
32、根据所述可靠伪标签、所述不确定伪标签和所述错误伪标签，计算教师网络和学生网络对应目标预测结果之间的ciou，得到目标得分；
33、根据所述目标得分构建无监督损失；
34、根据所述有监督损失和所述无监督损失得到所述联合损失函数。
35、进一步的，所述有监督损失本文档来自技高网...
【技术保护点】
1.一种面向机载光电图像的半监督目标识别方法，其特征在于，该方法包括：
2.根据权利要求1所述面向机载光电图像的半监督目标识别方法，其特征在于，获取图像序列，并将所述图像序列按照第一预设比例划分为训练数据集和测试数据集的步骤中，包括：
3.根据权利要求2所述面向机载光电图像的半监督目标识别方法，其特征在于，按照第二预设比例对所述训练数据集中的图像进行标注，以得到有标注样本集和无标注样本集，并将所述无标注样本集和所述有标注样本集进行数据增强的步骤中，包括：
4.根据权利要求3所述面向机载光电图像的半监督目标识别方法，其特征在于，所述对比度变换和所述亮度变换不同时使用，所述增加云雾和所述增加雨雪不同时使用，所述图像加噪以0.1的概率进行选用，所述运动模以0.2的概率进行选用。
5.根据权利要求3所述面向机载光电图像的半监督目标识别方法，其特征在于，构建半监督教师学生网络联合训练框架的步骤中，包括：
6.根据权利要求5所述面向机载光电图像的半监督目标识别方法，其特征在于，将增强后的所述无标注样本集输入至所述教师网络进行推理，以
7.根据权利要求6所述面向机载光电图像的半监督目标识别方法，其特征在于，基于所述有标注样本的有监督损失和所述无标注样本的无监督损失，构建联合损失函数的步骤中，包括：
8.根据权利要求7所述面向机载光电图像的半监督目标识别方法，其特征在于，所述有监督损失的表达式为：
9.根据权利要求7所述面向机载光电图像的半监督目标识别方法，其特征在于，利用更新后的所述教师网络迭代训练所述学生网络，直至得到训练好的所述学生网络的步骤中，包括：
...【技术特征摘要】
1.一种面向机载光电图像的半监督目标识别方法，其特征在于，该方法包括：
2.根据权利要求1所述面向机载光电图像的半监督目标识别方法，其特征在于，获取图像序列，并将所述图像序列按照第一预设比例划分为训练数据集和测试数据集的步骤中，包括：
3.根据权利要求2所述面向机载光电图像的半监督目标识别方法，其特征在于，按照第二预设比例对所述训练数据集中的图像进行标注，以得到有标注样本集和无标注样本集，并将所述无标注样本集和所述有标注样本集进行数据增强的步骤中，包括：
4.根据权利要求3所述面向机载光电图像的半监督目标识别方法，其特征在于，所述对比度变换和所述亮度变换不同时使用，所述增加云雾和所述增加雨雪不同时使用，所述图像加噪以0.1的概率进行选用，所述运动模以0.2的概率进行选用。
5.根据权利要求3所述面向机载...
【专利技术属性】
技术研发人员：赵裴翔，姜亮，王睿男，
申请(专利权)人：中国航空工业集团公司洛阳电光设备研究所，
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。