(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210916303.2 (22)申请日 2022.08.01 (71)申请人 厦门路桥信息股份有限公司 地址 361022 福建省厦门市软件园三期诚 毅大街370号1801单元、 1802单元、 1803单元、 1804单 元 (72)发明人 吴福森　林勇泉　许碧云　于征　 李伟佳　杨雪薇　 (74)专利代理 机构 广东金泰智汇 专利商标代理 事务所(普通 合伙) 44721 专利代理师 郭正江 (51)Int.Cl. G06V 10/774(2022.01) G06V 10/82(2022.01) G06V 20/52(2022.01)G06V 10/44(2022.01) G06N 3/04(2006.01) (54)发明名称 一种基于候选框权重重分配的弱监督目标 检测方法 (57)摘要 本发明公开一种基于候选框权重重分配的 弱监督目标检测方法， 包括以下步骤： 步骤一， 图 片采集处理； 步骤二， 模型训练； 步骤三， 收敛验 证； 步骤四， 模型推理； 本发明从弱监督角度出 发， 利用只有图像层面的弱标注的图片学习目标 检测， 利用Gra d‑CAM信息挖掘出特征图中潜在的 目标位置， 接着将Gra d‑CAM信息转化为边缘－前 景响应图进一步分析候选框与图中高激活区域 的空间位置关系， 对于正确定位在目标完整轮廓 位置的候选框赋予更大的学习权重， 对于边框落 在目标内部的候选框权重值进行抑制， 并缓解基 准框信息的缺失导致弱监督目标检测模型通常 容易陷入局部最优问题， 有效的改进了原有弱监 督目标检测模型， 提升 了检测性能和准确性。 权利要求书2页 说明书5页 附图2页 CN 115311516 A 2022.11.08 CN 115311516 A 1.一种基于候选框权重重分配的弱监督目标检测方法， 包括以下步骤： 步骤一， 图片采 集处理； 步骤二， 模型训练； 步骤三， 收敛验证； 步骤四， 模型推理； 其特 征在于： 其中在上述步骤一中， 首先采集训练使用的图片作为训练集， 随后对训练集的图片进 行定义， 将图片I分成R个候选 框， 预测类别数为C； 其中在上述步骤二中， 当步骤一中的图片采集处理完成后， 进行模型训练， 训练步骤包 括： 1)初始化卷积神经网络； 2)神经网络前向传播获得图像的特 征图； 3)分类分支前向传播并获得Grad ‑CAM信息MC； 4)根据Grad ‑CAM信息为特征图中每个像素值分配类别伪标签， 令 是空间位置(i， j) 上关于类别c的激活值； 5)通过一个尺寸为w的滑动窗口扫描上述Grad ‑CAM， 令 为以中心位置(i， j)所对 应的 窗口包含类别为c的像素点数量， 则每 个滑窗区域的统计量计算公式为： 6)若滑窗中心像素点满足以下条件， 则视其为目标边缘点： 第 一、 滑窗内包含足够多相 同类别的像素点； 第二、 滑窗内包含的前景类别像素和背景类别像素的个数相近， 定义τarea 和 τdiff分别对应两个条件中的阈值； 7)若滑窗中心像素点满足以下条件， 则视为目标前景点： 第一、 滑窗内包含足够多相同 类别的像素点； 第二、 滑窗内包含的前景类别像素和背 景类别像素的个数差异足够大， 定义 τarea和 τdiff分别对应两个条件中的阈值； 8)通过候选框四条边框位置所对应的像素点分配的边缘标签和前景标签， 计算每个候 选框的边缘一前景响应权 重； 9)结合候选框的权值 来计算目标检测分支的损失， 得 出损失的结果； 其中在上述步骤三中， 当步骤二中的损 失结果得出后， 使用随机梯度下降算法更新参 数， 随后重复步骤二中的2) ‑9)小步骤， 直至模型收敛位置， 随后带入训练完成的模型中进 行测试， 合格后完成模型的训练； 其中在上述步骤四中， 当步骤三中的模型训练完成后， 利用训练完成的模型对目标进 行推理检测， 首先初始 化卷积神经网络， 随后神经网络前向传播 获得图像的特征图， 继而质 量分析模块 获得候选框稳定性得分 并进行候选框过滤， 最后目标检测分支前向传播并获得 目标检测结果。 2.根据权利要求1所述的一种基于候选框权重重分配的弱监督目标检测方法， 其特征 在于： 所述 步骤二中， 所对应的类别 伪标签Tij计算公式为： 其中0和‑1分别表示背景 标签和不确定类标签， τfg和 τbg分别对应前 景和背景阈值。权　利　要　求　书 1/2 页 2 CN 115311516 A 23.根据权利要求1所述的一种基于候选框权重重分配的弱监督目标检测方法， 其特征 在于： 所述 步骤二中， 关于像素点(i， j)的边 缘标签 计算公式如下： 4.根据权利要求1所述的一种基于候选框权重重分配的弱监督目标检测方法， 其特征 在于： 所述 步骤二中， 关于像素点(i， j)的边 缘标签 计算公式如下： 5.根据权利要求1所述的一种基于候选框权重重分配的弱监督目标检测方法， 其特征 在于： 所述 步骤二中， 边 缘‑前景响应权 重的计算公式如下： 其中， λ为权 重因子。 6.根据权利要求1所述的一种基于候选框权重重分配的弱监督目标检测方法， 其特征 在于： 所述 步骤二中， 损失函数为： 权　利　要　求　书 2/2 页 3 CN 115311516 A 3