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: 2025109988058
申请人: 苏州大学
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:

1.一种细粒度目标检测识别方法,其特征在于,包括:

获取训练集中的图像,基于图像中每个目标的真实类别和真实定位框为每个目标生成多个与其类别相同的目标样本,得到目标图像;

利用细粒度目标检测识别模型获取目标图像中各个目标样本的预测定位框和预测类别;利用样本分配策略范式基于各个目标样本的预测定位框和预测类别对目标样本进行筛选,得到初始正目标样本集;

计算初始正目标样本集中每种类别的目标样本对应的目标数量占图像中所有目标数量的比例,得到每种类别目标样本比例;计算初始正目标样本集中各个类别的平均目标样本数量;

若第k类目标样本比例小于预设比例和/或第k类目标样本数量小于平均目标样本数量,则在初始正目标样本集外属于第k类的目标样本中,选取多个目标样本补充至初始正目标样本集中;

基于补充后的初始正目标样本集得到最优正目标样本集,基于最优正目标样本集外的目标样本得到负目标样本集,从而计算检测识别损失函数的值并对细粒度目标检测识别模型进行迭代训练,直到检测识别损失函数的值最小,得到训练好的细粒度目标检测识别模型;其中,检测识别损失函数的构建过程包括:基于最优正目标样本集和负目标样本集中的目标样本与其分类特征图之间的距离度量值,构建分类损失函数:,

其中,表示分类损失函数;表示用于计算最优正目标样本集和负目标样本集中的目标样本与其预测类别之间的距离度量值的函数;表示最优正目标样本集;表示负目标样本集;表示分类特征图;

基于最优正目标样本集中各个目标的预测定位框与其真实定位框之间的距离度量值,构建定位损失函数:,

其中,表示定位损失函数;表示用于计算目标样本的预测定位框与其对应目标的真实定位框之间的距离度量值的函数;表示预测定位框;表示真实定位框;表示过滤;

对分类损失函数和定位损失函数加权求和,得到检测识别损失函数:,

其中,表示检测识别损失函数;表示定位损失函数的权重。

2.根据权利要求1所述的细粒度目标检测识别方法,其特征在于,利用细粒度目标检测识别模型获取目标图像中各个目标样本的预测定位框和预测类别包括:将目标图像输入细粒度目标检测识别模型中的编码器网络进行多层次特征提取,输出多尺度特征图;

将多尺度特征图分别输入至细粒度目标检测识别模型中并行的分类特征提取网络和定位特征提取网络,输出分类特征图和定位特征图;

将分类特征图和定位特征图拼接后输入至细粒度目标检测识别模型中基于自适应分组感知机制的输出层,输出融合特征图;

将融合特征图输入细粒度目标检测识别模型中的全连接层,输出目标图像中各个目标样本的预测定位框和预测类别。

3.根据权利要求1所述的细粒度目标检测识别方法,其特征在于,每种类别目标样本比例的计算公式表示为:,

其中,表示第k类目标样本比例;表示第k类目标样本对应的目标数量;表示图像中所有目标数量;

各类别的平均目标样本数量的计算公式表示为:

,

其中,表示各类别的平均目标样本数量;表示初始正目标样本集中的目标样本数量;表示初始正目标样本集中的目标样本类别数量。

4.根据权利要求1所述的细粒度目标检测识别方法,其特征在于,在初始正目标样本集外属于第k类的目标样本中,选取多个目标样本补充至初始正目标样本集中包括:基于初始正目标样本集中的目标样本数量,以及初始正目标样本集中所有目标样本对应的目标数量,计算每个目标的平均目标样本数量;

基于预设比例与第k类目标样本比例的差值、每个目标的平均目标样本数量,计算第k类目标样本的待补充目标样本数量;

对于初始正目标样本集外属于第k类的每个目标样本,计算其预测定位框与第k类目标样本对应的目标的真实定位框的交并比;选取交并比最大根据权利要求1所述的细粒度目标检测识别方法,其特征在于,在初始正目标样本集外属于第k类的目标样本中,选取多个目标样本补充至初始正目标样本集中包括:基于初始正目标样本集中的目标样本数量,以及初始正目标样本集中所有目标样本对应的目标数量,计算每个目标的平均目标样本数量;

基于预设比例与第k类目标样本比例的差值、每个目标的平均目标样本数量,计算第k类目标样本的待补充目标样本数量;

对于初始正目标样本集外属于第k类的每个目标样本,计算其预测定位框与第k类目标样本对应的目标的真实定位框的交并比;选取交并比最大的个目标样本,补充至初始正目标样本集中。

5.根据权利要求4所述的细粒度目标检测识别方法,其特征在于,每个目标的平均目标样本数量的计算公式表示为:,

其中,表示每个目标的平均目标样本数量;表示初始正目标样本集中的目标样本数量;表示初始正目标样本集中所有目标样本对应的目标数量;

待补充目标数量的计算公式表示为:

,

其中,表示预设比例;表示第k类正目标样本比例。

6.根据权利要求1所述的细粒度目标检测识别方法,其特征在于,利用样本分配策略范式基于各个目标样本的预测定位框和预测类别对目标样本进行筛选,得到初始正目标样本集包括:获取每个目标样本的预测定位框与其对应的目标的真实定位框的交并比,以及每个目标样本的预测类别置信度;

基于交并比大于等于预设交并比阈值,且预测类别置信度大于等于预设置信度阈值的目标样本,得到初始正目标样本集。

7.一种细粒度目标检测识别装置,其特征在于,包括:

目标样本生成模块,用于获取训练集中的图像,基于图像中每个目标的真实类别和真实定位框为每个目标生成多个与其类别相同的目标样本,得到目标图像;

初始样本分配模块,用于利用细粒度目标检测识别模型获取目标图像中各个目标样本的预测定位框和预测类别;利用样本分配策略范式基于各个目标样本的预测定位框和预测类别对目标样本进行筛选,得到初始正目标样本集;

参数计算模块,用于计算初始正目标样本集中每种类别的目标样本对应的目标数量占图像中所有目标数量的比例,得到每种类别目标样本比例;计算初始正目标样本集中各个类别的平均目标样本数量;

在线样本尾部补充分配模块,用于若第k类目标样本比例小于预设比例和/或第k类目标样本数量小于平均目标样本数量,则在初始正目标样本集外属于第k类的目标样本中,选取多个目标样本补充至初始正目标样本集中;

模型训练及获取模块,用于基于补充后的初始正目标样本集得到最优正目标样本集,基于最优正目标样本集外的目标样本得到负目标样本集,从而计算检测识别损失函数的值并对细粒度目标检测识别模型进行迭代训练,直到检测识别损失函数的值最小,得到训练好的细粒度目标检测识别模型;其中,检测识别损失函数的构建过程包括:基于最优正目标样本集和负目标样本集中的目标样本与其分类特征图之间的距离度量值,构建分类损失函数:,

其中,表示分类损失函数;表示用于计算最优正目标样本集和负目标样本集中的目标样本与其预测类别之间的距离度量值的函数;表示最优正目标样本集;表示负目标样本集;表示分类特征图;

基于最优正目标样本集中各个目标的预测定位框与其真实定位框之间的距离度量值,构建定位损失函数:,

其中,表示定位损失函数;表示用于计算目标样本的预测定位框与其对应目标的真实定位框之间的距离度量值的函数;表示预测定位框;表示真实定位框;表示过滤;

对分类损失函数和定位损失函数加权求和,得到检测识别损失函数:,

其中,表示检测识别损失函数;表示定位损失函数的权重。

8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1~6任一项所述的细粒度目标检测识别方法的步骤。