欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2024109003386
申请人: 湖南大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于主动学习选择策略的厨余垃圾目标检测方法,其特征在于,包括:步骤1,获取真实厨余垃圾分拣线场景下采集的厨余垃圾目标检测数据集步骤2,对数据集

选择样本的KNN核密度作为步骤2中的代表性评估指标,计算式为:式中,

步骤3,将当前的已标注数据集

步骤4,当未达到主动学习总体预算时,继续步骤5,否则跳转执行步骤8;

步骤5,使用当前训练得到的目标检测模型对未标注图像及其增强图像进行推理,比较推理结果的相似度,并选择未标注数据集中相似度低的图像数据作为初选样本,构建当前轮次的初选样本集;

步骤6,使用当前训练得到的变分自编码器VAE和对抗网络GAN的判别器,对初选样本集的初选样本的标注置信度进行预测,并选择其中标注置信度最低的若干样本,构建当前轮次的最终样本集;

步骤7,将当前轮次的最终样本集进行人工标注后,添加到已标注数据集步骤8,将当前训练得到的目标检测模型,作为最终的厨余垃圾目标检测模型,对厨余垃圾图像进行目标检测。

2.根据权利要求1所述的基于主动学习选择策略的厨余垃圾目标检测方法,其特征在于,两个样本之间的距离,取两个样本特征图之间的L2范数空间距离,表示为:式中,

3.根据权利要求1所述的基于主动学习选择策略的厨余垃圾目标检测方法,其特征在于,所述目标检测采用改进的RT-DETR模型,具体如下:首先采用一个Resnet50作为主干网络提取输入图像的特征,输出下采样倍数不同的多尺度特征;然后采用一个混合编码器,通过尺度内特征交互AIFI和跨尺度特征融合模块CCFM将多尺度特征转换为图像特征序列;再采用IoU感知的查询选择,从混合编码器输出的图像特征序列中选择固定数量的特征,作为解码器的初始对象查询;最后采用解码器迭代优化对象查询,并由预测头映射为边界框和类别置信度得分。

4.根据权利要求1所述的基于主动学习选择策略的厨余垃圾目标检测方法,其特征在于,根据预测一致性评价指标比较推理结果的相似度,且预测一致性评价指标定义为:将目标检测模型表示为

(1)使用目标检测模型

式中,

(2)对未标注图像

式中,

(3)将(2)得到的所有目标检测对象与

式中,

(4)将匹配框交并比的值作为预测边界框的一致性,通过JS散度计算目标对应类别预测概率的一致性,并取所有预测目标一致性的最小值,作为未标注图像式中,

5.根据权利要求4所述的基于主动学习选择策略的厨余垃圾目标检测方法,其特征在于,在根据预测一致性评价指标比较推理结果的相似度选择初选样本的基础上,进一步从中选择样本,使得最终构建所得当前轮次的初选样本集与当前已标注数据集统计当前已标注数据集

式中,

设根据预测一致性评价指标比较推理结果的相似度选择初选样本所构成的样本集为式中,

比较两个数据集的类别分布,选择差异更大的样本形成当前轮次的初选样本集式中,

6.根据权利要求1所述的基于主动学习选择策略的厨余垃圾目标检测方法,其特征在于,所述主动学习模型包括变分自编码器VAE和对抗网络GAN的判别器,VAE对输入的数据降采样并映射到低维潜在空间,得到的潜在空间向量供GAN的判别器判断数据是否标注;训练VAE和判别器的输入数据来自已标注集主动学习样本选择时,如果某个未标注样本经VAE编码得到的潜在空间向量