CN112598085B - 支持混合模型融合的Model Ensemble方法 - Google Patents
支持混合模型融合的Model Ensemble方法 Download PDFInfo
- Publication number
- CN112598085B CN112598085B CN202110227595.4A CN202110227595A CN112598085B CN 112598085 B CN112598085 B CN 112598085B CN 202110227595 A CN202110227595 A CN 202110227595A CN 112598085 B CN112598085 B CN 112598085B
- Authority
- CN
- China
- Prior art keywords
- model
- fusion
- models
- output
- fused
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种支持混合模型融合的Model Ensemble方法,两个模型的输出均包括实例框和类别分布,分别对两个实例框和两个类别分布进行加权融合,对加权融合后的输出去重获得唯一的模型融合输出。当两个模型中有一个分类模型时,将该分类模型的输出改造成检测模型输出,用“检测模型的实例框+分类模型的类别分布”来构造一个虚拟的检测模型输出。本方法不限于分类模型融合,可以融合不同AI模型。
Description
技术领域
本发明涉及缺陷检测领域,具体涉及一种支持混合模型融合的Model Ensemble方法。
背景技术
随着人工智能技术的愈发成熟,AI 在智能制造领域的作用也越来越明显。在工业制造领域,机器视觉(CV)被广泛应用于缺陷检测等技术场景中。
工业界的缺陷检测领域的特点主要有以下三个:
1) 数据样本少,很多场景数据样本是缺失的,通常需要专业人员重新设计打光成像方案去采集图片;
2)各缺陷样本比例不均衡;
3)对漏误检要求高,很多客户要求接近 0 漏检。
针对不同的困难有不同的方法。但比较通用和有效的方案是模型融合(ME)。现有的 ME 方法大多是比较简单的 Committee 机制,如投票(voting), 平均(averaging), 堆叠(Stacking),非交叉堆叠(Blending)。但此模型通用性比较差,一般只在分类中有效,而且不同的加权参数需要手动设置,效果难以保证。
发明内容
本发明的目的在于提供一种支持混合模型融合的Model Ensemble方法,本方法可以融合不同模型。
为实现上述目的,本发明提供如下技术方案:
一种支持混合模型融合的Model Ensemble方法,其特征在于:两个模型的输出均包括实例框和类别分布,分别对两个实例框和两个类别分布进行加权融合,对加权融合后的输出去重获得唯一的模型融合输出。
进一步地,对两个模型的每一对实例框求IoU,如果两个实例框的 IoU 等于高于阈值,则对实例框和/或类别分布进行加权融合。
进一步地,该方法还包括融合参数优化:需要优化 n+3 个参数,其中1个参数来自实例框融合,n+1 个参数来自类别分布融合,还有一个参数就是 IoU 的阈值T;先取mAP 来作为优化的目标,再采用优化方法进行优化。
进一步地,当两个模型中有一个分类模型时,将该分类模型的输出改造成检测模型输出,用“检测模型的实例框+分类模型的类别分布”来构造一个虚拟的检测模型输出。
进一步地,当需要融合三个以上的模型时,采用上述方法先融合第一个模型和第二个模型,再将前两个模型融合后的模型融合输出与下一个模型采用同样的方法融合,以此类推直至所有模型融合完成。
进一步地,对加权融合后的输出采用NMS去重获得唯一的模型融合输出。
对比传统的融合方法,本发明的方法有以下优点:
1、本方法不限于分类模型融合,可以融合不同 AI 模型:比如“检测模型 + 检测模型”,“检测模型 + 分类模型”。
2、本方法不限融合模型的个数:对模型融合的个数没有限制。
3、自动学习模型参数:可以自动学习模型参数。
附图说明
图1为本发明的流程图。
图2为本发明中多模型融合的流程图。
具体实施方式
下面将结合具体实施例对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种支持混合模型融合的Model Ensemble方法,如图1所示。
我们约定对于单个图像样本,2个模型输出都符合检测模型的输出格式(待融合的模型在验证集上的输出),其中包括:
一、实例框融合
条件融合:考虑到 IoU 很小的两个实例框很可能表示的不是同一个实例(object),所以融合 IoU 很小的两个实例框没有实际意义。在条件融合中,我们首先对两个模型的每一对实例框和求IoU,如果此 IoU 低于阈值T, 则返回空值;如果两个实例框的 IoU 等于高于此阈值,则对和做加权融合。
二、类别分布融合
检测模型的输出中,每个实例框都对应一个类别分别,假定有两个来自不同检测模型的类别分布如下:和,其中 j 是类别下标,是背景类别的置信度,是前景类别的置信度。和实例框融合策略相似,类别分布的融合策略也分两种:
任意两个实例的实例框可能有重合、相交、包含、不相交四中关系,上述过程设计了一种融合规则来覆盖各种情况。
三、融合参数优化
对两个检测模型的融合,我们需要优化 n+3 个参数,其中一个参数来自 “实例框融合”,n+1 个参数来自“类别分布融合”,还有一个参数就是 IoU 的阈值T。对一个数据集中的所有样本,融合参数都是固定的。
为了优化这 n+3 个参数,得先定义优化的目标,取常用的指标 mAP 来作为优化的目标。
非线性函数有很多优化方法,因为这里的参数不多,我们可以采用网格搜索,遗传算法和贝叶斯优化法等等。在我们的实施例中,优化方法选用的是贝叶斯优化法。
如图2所示,当需要融合三个以上的模型时,采用上述方法先融合第一个模型和第二个模型,再将前两个模型融合后的模型融合输出与下一个模型采用同样的方法融合,以此类推直至所有模型融合完成。简单地说,就是重复执行图1的流程,可以把模型融合扩展到多个模型。
混合模型融合(分类模型+检测模型)时,对单个图像样本,分类模型的输出只有一个类别分布,我们可以通过把分类模型的输出改造成检测模型输出,就能适配我们的融合方法。具体做法是用“检测模型的实例框+分类模型的类别分布”来构造一个虚拟的检测模型输出。
在我们的项目中,我们设计了一组实验用于对比使用模型融合与没有模型融合的目标检测效果(用二分类的NG AP和多分类的mAP来表示)。模型1和模型2分别为不同结构的CNN 检测模型。实验结果如下表:
从上表中可以看出融合后的二分类 AP 从单模型最高的 58.99% 提升到76.95%,多分类 mAP 从单模型最高 61.03% 提升到 65.58%。融合模型能平衡各子模型的性能优势,同时规避单模型在某各方面的短板,从而提升模型的综合效果。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.一种支持混合模型融合的Model Ensemble方法,其特征在于:将图像样本分别输入到两个模型中,两个模型的输出均包括实例框和类别分布;对两个模型的每一对实例框求IoU,如果两个实例框的 IoU 等于高于阈值,则分别对两个实例框和两个类别分布进行加权融合,对加权融合后的输出去重获得唯一的模型融合输出;其中
其中:x1,y1,x2,y2表示实例框的坐标;w1,h1,w2,h2表示实例框的长宽尺寸;
4.根据权利要求1所述的支持混合模型融合的Model Ensemble方法,其特征在于:当两个模型中有一个分类模型时,将该分类模型的输出改造成检测模型输出,用“检测模型的实例框+分类模型的类别分布”来构造一个虚拟的检测模型输出。
5.根据权利要求1所述的支持混合模型融合的Model Ensemble方法,其特征在于:当需要融合三个以上的模型时,采用上述方法先融合第一个模型和第二个模型,再将前两个模型融合后的模型融合输出与下一个模型采用同样的方法融合,以此类推直至所有模型融合完成。
6.根据权利要求1所述的支持混合模型融合的Model Ensemble方法,其特征在于:对加权融合后的输出采用NMS去重获得唯一的模型融合输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110227595.4A CN112598085B (zh) | 2021-03-02 | 2021-03-02 | 支持混合模型融合的Model Ensemble方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110227595.4A CN112598085B (zh) | 2021-03-02 | 2021-03-02 | 支持混合模型融合的Model Ensemble方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112598085A CN112598085A (zh) | 2021-04-02 |
CN112598085B true CN112598085B (zh) | 2021-07-30 |
Family
ID=75207651
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110227595.4A Active CN112598085B (zh) | 2021-03-02 | 2021-03-02 | 支持混合模型融合的Model Ensemble方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112598085B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113435271A (zh) * | 2021-06-10 | 2021-09-24 | 中国电子科技集团公司第三十八研究所 | 一种基于目标检测和实例分割模型的融合方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101172A (zh) * | 2020-09-08 | 2020-12-18 | 平安科技(深圳)有限公司 | 基于权重嫁接的模型融合的人脸识别方法及相关设备 |
CN112418341A (zh) * | 2020-12-04 | 2021-02-26 | 上海明略人工智能(集团)有限公司 | 模型融合方法、预测方法、装置、设备及存储介质 |
-
2021
- 2021-03-02 CN CN202110227595.4A patent/CN112598085B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101172A (zh) * | 2020-09-08 | 2020-12-18 | 平安科技(深圳)有限公司 | 基于权重嫁接的模型融合的人脸识别方法及相关设备 |
CN112418341A (zh) * | 2020-12-04 | 2021-02-26 | 上海明略人工智能(集团)有限公司 | 模型融合方法、预测方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112598085A (zh) | 2021-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | 3D cost aggregation with multiple minimum spanning trees for stereo matching | |
CN111489358A (zh) | 一种基于深度学习的三维点云语义分割方法 | |
CN110827398B (zh) | 基于深度神经网络的室内三维点云自动语义分割方法 | |
CN115731164A (zh) | 基于改进YOLOv7的绝缘子缺陷检测方法 | |
CN108492294B (zh) | 一种图像色彩和谐程度的评估方法及装置 | |
CN110874590B (zh) | 基于适配器互学习模型的训练及可见光红外视觉跟踪方法 | |
CN115019510B (zh) | 一种基于动态自适应生成对抗网络的交通数据修复方法 | |
CN112906823B (zh) | 目标对象识别模型训练方法、识别方法及识别装置 | |
CN111768415A (zh) | 一种无量化池化的图像实例分割方法 | |
CN103383774A (zh) | 图像处理方法及其设备 | |
CN112598085B (zh) | 支持混合模型融合的Model Ensemble方法 | |
CN114331949A (zh) | 一种图像数据处理方法、计算机设备以及可读存储介质 | |
CN116912238B (zh) | 基于多维识别网络级联融合的焊缝管道识别方法及*** | |
CN111178196B (zh) | 一种细胞分类的方法、装置及设备 | |
CN115937774A (zh) | 一种基于特征融合和语义交互的安检违禁品检测方法 | |
CN116089645A (zh) | 一种基于层次化风格的条件文本-电商图片检索方法和*** | |
CN114758199A (zh) | 检测模型的训练方法、装置、设备和存储介质 | |
Mirande et al. | A graph-based approach for simultaneous semantic and instance segmentation of plant 3D point clouds | |
CN110717141A (zh) | 一种车道线优化方法、装置及存储介质 | |
CN117649515A (zh) | 一种基于数字孪生的半监督3d目标检测方法、***和设备 | |
CN114511745A (zh) | 三维点云分类及旋转姿态预测方法及*** | |
Hu et al. | Many-objective optimization algorithm based on adaptive reference vector | |
CN117830537B (zh) | 一种弱监督的3d场景图生成方法、装置、设备及介质 | |
CN114821206B (zh) | 基于对抗互补特征的多模态图像融合分类方法与*** | |
CN112926480B (zh) | 一种面向多尺度、多朝向的航拍物体检测方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |