CN117152587B - 一种基于对抗学习的半监督船舶检测方法及*** - Google Patents
一种基于对抗学习的半监督船舶检测方法及*** Download PDFInfo
- Publication number
- CN117152587B CN117152587B CN202311407565.7A CN202311407565A CN117152587B CN 117152587 B CN117152587 B CN 117152587B CN 202311407565 A CN202311407565 A CN 202311407565A CN 117152587 B CN117152587 B CN 117152587B
- Authority
- CN
- China
- Prior art keywords
- training set
- picture
- current
- uncalibrated
- training
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 171
- 238000012549 training Methods 0.000 claims abstract description 420
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000010586 diagram Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000012216 screening Methods 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/0895—Weakly supervised learning, e.g. semi-supervised or self-supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/094—Adversarial learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于对抗学习的半监督船舶检测方法及***。其中,该方法采用半监督训练,减少目标检测标定的工作量;在原始船舶检测模型中增加对抗学习,即增加相似度计算模块,对未标定训练集进行分类,使模型对不同类别的未标定训练集采用不同程度学习;利用标定训练集的损失值,对标定训练集进行分类,减少模型对易检训练集的采样学习,压缩训练时间;目标半监督船舶检测模型训练阶段实时修改图像采样规则,实现标定训练集为主导,未标定训练集辅助学习,加大模型对未标定训练集的学习能力,降低未标定训练集错误标定对模型的影响。
Description
技术领域
本发明涉及船舶检测技术领域,具体而言,涉及一种基于对抗学习的半监督船舶检测方法及***。
背景技术
随着水上交通不断发展,水上交通秩序也不断升级,维持水上交通的工作人员的工作量不断增加,其中船舶检测是水上交通工作量的之一。船舶的数据量十分巨大,采用有监督深度学习,需要花费大量的人力去标定,现有技术中采用半监督算法,采用已标定的训练集和未标定的训练集提高船舶检测模型的检测能力,但由于未标定的训练集数据量十分巨大,其不采取筛选,训练过程将会耗费大量的时间、船舶检测模型将会出现巨大的震荡甚至出现模型无法拟合现象。
针对现有技术中采用半监督算法,由于未标定的训练集数据量十分巨大,其不采取筛选,训练过程将会耗费大量的时间、船舶检测模型将会出现巨大的震荡甚至出现模型无法拟合现象的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例中提供一种基于对抗学习的半监督船舶检测方法及***,以解决现有技术中采用半监督算法,由于未标定的训练集数据量十分巨大,其不采取筛选,训练过程将会耗费大量的时间、船舶检测模型将会出现巨大的震荡甚至出现模型无法拟合现象的问题。
为达到上述目的,一方面,本发明提供了一种基于对抗学习的半监督船舶检测方法,该方法包括:S1、在原始船舶检测模型的主干网络输出层后、检测头前增加相似度计算模块,得到更新船舶检测模型;S2、将原始训练集进行数据预处理,得到更新训练集;将更新训练集输入到所述更新船舶检测模型中进行多轮模型训练,得到目标船舶检测模型;S3、将标定训练集输入到所述目标船舶检测模型中进行预测,得到每张标定图片的损失值以及每张标定图片的总特征序列;将标定训练集根据所有标定图片的损失值进行排序划分,得到标定易检训练集、标定较易检训练集、标定难检训练集;S4、将未标定训练集输入到所述目标船舶检测模型中进行预测,得到每张未标定图片的总特征序列以及每张未标定图片中每个目标框的置信度;根据所有未标定图片的总特征序列以及所有标定图片的总特征序列计算得到每张未标定图片与标定训练集的最近距离;根据所有最近距离将未标定训练集划分为未匹配训练集和匹配训练集;以及将匹配训练集划分为未标定易检训练集、未标定较易检训练集、未标定难检训练集;将每张未标定图片中置信度大于预设阈值的目标框标为伪标签;S5、将标定易检训练集和未标定易检训练集删除;根据预设的选择条件从标定较易检训练集、标定难检训练集中抽取两张图片,从未匹配训练集、未标定较易检训练集、未标定难检训练集中抽取两张图片作为当前迭代训练集;将当前迭代训练集输入到初始半监督船舶检测模型中进行训练,得到标定当前迭代损失值和未标定当前迭代损失值;根据所述标定当前迭代损失值和未标定当前迭代损失值对所述初始半监督船舶检测模型进行反向传播,得到当前迭代半监督船舶检测模型;S6、重复所述S5,直至将删除后的所有训练集训练完并进行多轮模型训练,得到目标半监督船舶检测模型;S7、将待检测图片输入到所述目标半监督船舶检测模型中进行检测,得到船舶位置。
可选的,所述将原始训练集进行数据预处理,得到更新训练集包括:S21、将原始训练集进行K种不同数据处理,得到更新训练集;其中,原始训练集的图片数量至少为两张;所述更新训练集的图片数量为原始训练集的图片数量的K倍。
可选的,所述将更新训练集输入到所述更新船舶检测模型中进行多轮模型训练,得到目标船舶检测模型包括:S22、将更新训练集输入到所述更新船舶检测模型的主干网络输出层中,得到每张图片的主干网络特征图;S23、将每张图片的主干网络特征图通过M个编码本进行编码得到每张图片的总特征序列;S24、根据当前张图片的总特征序列、与当前张图片类别相同的总特征序列、与当前张图片类别不同的总特征序列计算得到当前张图片的相似度损失值;S25、将每张图片的总特征序列输入到所述更新船舶检测模型的检测头中,得到每张图片的分类损失值和回归损失值;S26、根据每张图片的相似度损失值、分类损失值和回归损失值计算得到更新训练集的总损失值;S27、重复S22~S26,直至更新训练集的总损失值在第一预设范围内波动,停止训练,得到目标船舶检测模型。
可选的,所述S23包括:S231、将当前张图片的主干网络特征图划分为k组,将当前组主干网络特征图通过当前编码本进行编码得到当前组主干网络特征图与当前编码本所***字的相关性;其中,每个编码本包括k个码字;S232、根据相关性与当前编码本计算得到当前组主干网络特征图与当前编码本的第一特征值;S233、根据所有组主干网络特征图与当前编码本的第一特征值,生成第一特征序列;S234、根据当前张图片的主干网络特征图与所有编码本的第一特征序列生成当前张图片的总特征序列。
可选的,所述预设的选择条件包括:选择条件一:从标定较易检训练集中抽取一张图片,标定难检训练集中抽取一张图片,从未匹配训练集中抽取一张图片,未标定较易检训练集中抽取一张图片作为当前迭代训练集;或选择条件二:从标定较易检训练集中抽取一张图片,标定难检训练集中抽取一张图片,从未标定难检训练集中抽取一张图片,未标定较易检训练集中抽取一张图片作为当前迭代训练集;或选择条件三:从标定较易检训练集中抽取两张图片,从未匹配训练集中抽取一张图片,未标定难检训练集中抽取一张图片作为当前迭代训练集。
可选的,所述当前组主干网络特征图与当前编码本所***字的相关性根据以下公式计算:
;
其中,为当前组主干网络特征图,/>为当前编码本的第/>个码字,/>为当前编码本的码字数量,/>为当前编码本的第/>个码字,,/>为当前组主干网络特征图与当前编码本第/>个码字的相关性,为归一化指数函数;
所述当前组主干网络特征图与当前编码本的第一特征值根据以下公式计算:
;
其中,为当前编码本的第/>个码字,/>为当前编码本的码字数量,为当前组主干网络特征图与当前编码本第/>个码字的相关性,/>为当前组主干网络特征图与当前编码本的第一特征值;
当前张图片的总特征序列为:
;
其中,为当前张图片的主干网络特征图与第一个编码本的第一特征序列,/>当前张图片的主干网络特征图与第M个编码本的第一特征序列;/>为当前张图片的总特征序列。
可选的,当选择条件一或选择条件二进行模型训练时,标定当前迭代损失值根据以下公式计算:
;
其中,为通过初始半监督船舶检测模型训练得到的标定较易检图片的损失值,/>为通过初始半监督船舶检测模型训练得到的标定难检图片的损失值,为通过目标船舶检测模型预测得到的标定较易检图片的损失值,为通过目标船舶检测模型预测得到的标定难检图片的损失值,/>标定当前迭代损失值。
可选的,当选择条件三进行模型训练时,标定当前迭代损失值根据以下公式计算:
;
其中,为标定当前迭代损失值,/>为通过初始半监督船舶检测模型训练得到的所有标定较易检图片的损失值和。
可选的,当选择条件一或选择条件二或选择条件三进行模型训练时,当前张未标定图片当前个伪标签的更新损失值根据以下公式计算:
其中,为逻辑斯谛函数,/>为当前张未标定图片与标定训练集的最近距离,/>为当前张未标定图片当前个伪标签的损失值, />为通过目标船舶检测模型预测得到的当前张未标定图片当前个伪标签的置信度,/>为通过初始半监督船舶检测模型训练得到的当前张未标定图片当前个伪标签的损失值,为当前张未标定图片当前个伪标签的更新损失值;
将当前迭代训练集中所有未标定图片的所有伪标签的更新损失值求和得到未标定当前迭代损失值。
另一方面,本发明提供了一种基于对抗学习的半监督船舶检测***,该***包括:模型更新模块,用于在原始船舶检测模型的主干网络输出层后、检测头前增加相似度计算模块,得到更新船舶检测模型;目标船舶检测模型训练模块,用于将原始训练集进行数据预处理,得到更新训练集;将更新训练集输入到所述更新船舶检测模型中进行多轮模型训练,得到目标船舶检测模型;标定训练集划分模块,用于将标定训练集输入到所述目标船舶检测模型中进行预测,得到每张标定图片的损失值以及每张标定图片的总特征序列;将标定训练集根据所有标定图片的损失值进行排序划分,得到标定易检训练集、标定较易检训练集、标定难检训练集;未标定训练集划分模块,用于将未标定训练集输入到所述目标船舶检测模型中进行预测,得到每张未标定图片的总特征序列以及每张未标定图片中每个目标框的置信度;根据所有未标定图片的总特征序列以及所有标定图片的总特征序列计算得到每张未标定图片与标定训练集的最近距离;根据所有最近距离将未标定训练集划分为未匹配训练集和匹配训练集;以及将匹配训练集划分为未标定易检训练集、未标定较易检训练集、未标定难检训练集;将每张未标定图片中置信度大于第一预设阈值的目标框标为伪标签;当前轮半监督船舶检测模型训练模块,用于将标定易检训练集和未标定易检训练集删除;根据预设的选择条件从标定较易检训练集、标定难检训练集中抽取两张图片,从未匹配训练集、未标定较易检训练集、未标定难检训练集中抽取两张图片作为当前迭代训练集;将当前迭代训练集进行模型训练,直至删除后的所有训练集训练完,得到当前轮半监督船舶检测模型以及标定轮损失值和未标定轮损失值;根据标定轮损失值和未标定轮损失值计算得到轮总损失值;重复训练模块,用于重复当前轮半监督船舶检测模型训练模块,直至轮总损失值在第一预设范围内波动,停止训练,得到目标半监督船舶检测模型;检测模块,用于将待检测图片输入到所述目标半监督船舶检测模型中进行检测,得到船舶位置。
本发明的有益效果:
本发明提供了一种基于对抗学习的半监督船舶检测方法及***,其中,该方法采用半监督训练,减少目标检测标定的工作量;在原始船舶检测模型中增加对抗学习,即增加相似度计算模块,对未标定训练集进行分类,使模型对不同类别的未标定训练集采用不同程度学习;利用标定训练集的损失值,对标定训练集进行分类,减少模型对易检训练集的采样学习,压缩训练时间;目标半监督船舶检测模型训练阶段实时修改图像采样规则,实现标定训练集为主导,未标定训练集辅助学习,加大模型对未标定训练集的学习能力,降低未标定训练集错误标定对模型的影响。
附图说明
图1是本发明实施例提供的一种基于对抗学习的半监督船舶检测方法的流程图;
图2是本发明实施例提供的获取目标船舶检测模型的流程图;
图3是本发明实施例提供的生成每张图片的总特征序列的流程图;
图4是本发明实施例提供的一种基于对抗学习的半监督船舶检测***的结构示意图;
图5是本发明实施例提供的目标船舶检测模型训练模块的结构示意图;
图6是本发明实施例提供的编码子模块结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,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它实施例,都属于本发明保护的范围。
图1是本发明实施例提供的一种基于对抗学习的半监督船舶检测方法的流程图,如图1所示,该方法包括:
S1、在原始船舶检测模型的主干网络输出层后、检测头前增加相似度计算模块,得到更新船舶检测模型;
增加对抗学习分支,即更新船舶检测模型不仅有检测功能,还具有相似度匹配功能。
S2、将原始训练集进行数据预处理,得到更新训练集;将更新训练集输入到所述更新船舶检测模型中进行多轮模型训练,得到目标船舶检测模型;
图2是本发明实施例提供的获取目标船舶检测模型的流程图,如图2所示,
所述将原始训练集进行数据预处理,得到更新训练集包括:
S21、将原始训练集进行K种不同数据处理,得到更新训练集;其中,原始训练集的图片数量至少为两张;所述更新训练集的图片数量为原始训练集的图片数量的K倍。
假设原始训练集的图片数量为两张(A和B),将原始训练集进行两种不同数据处理(第一种数据处理为图片缩放+仿射变换+调节图片的亮度;第二种数据处理为图片颜色抖动+图片旋转),得到更新训练集(A1、A2、B1和B2);
需要注意的是,本申请对数据处理的方式不作限定。
所述将更新训练集输入到所述更新船舶检测模型中进行多轮模型训练,得到目标船舶检测模型包括:
S22、将更新训练集输入到所述更新船舶检测模型的主干网络输出层中,得到每张图片的主干网络特征图;
具体的,上述中,将A1、A2、B1和B2输入到所述更新船舶检测模型的主干网络输出层中,得到A1图片的主干网络特征图,A2图片的主干网络特征图,B1图片的主干网络特征图,B2图片的主干网络特征图。
S23、将每张图片的主干网络特征图通过M个编码本进行编码得到每张图片的总特征序列;
图3是本发明实施例提供的生成每张图片的总特征序列的流程图,如图3所示,所述S23包括:
S231、将当前张图片的主干网络特征图划分为k组,将当前组主干网络特征图通过当前编码本进行编码得到当前组主干网络特征图与当前编码本所***字的相关性;其中,每个编码本包括k个码字;
具体的,以A1图片的主干网络特征图为例:将A1图片的主干网络特征图划分为K组;需要注意的是,每个编码本的码字数量与每张图片的主干网络特征图划分的组数必须相等。
所述当前组主干网络特征图与当前编码本所***字的相关性根据以下公式计算:
;
其中,为当前组主干网络特征图,/>为当前编码本的第/>个码字,/>为当前编码本的码字数量,/>为当前编码本的第/>个码字,,/>为当前组主干网络特征图与当前编码本第/>个码字的相关性,为归一化指数函数。
S232、根据相关性与当前编码本计算得到当前组主干网络特征图与当前编码本的第一特征值;
所述当前组主干网络特征图与当前编码本的第一特征值根据以下公式计算:
;
其中,为当前编码本的第/>个码字,/>为当前编码本的码字数量,为当前组主干网络特征图与当前编码本第/>个码字的相关性,/>为当前组主干网络特征图与当前编码本的第一特征值;
233、根据所有组主干网络特征图与当前编码本的第一特征值,生成第一特征序列;
根据上述公式可以得到所有组主干网络特征图(即前张图片的主干网络特征图:A1图片的主干网络特征图)与当前编码本的第一特征值(即k个第一特征值);将k个第一特征值生成第一特征序列。
S234、根据当前张图片的主干网络特征图与所有编码本的第一特征序列生成当前张图片的总特征序列。
当前张图片的总特征序列(A1图片的总特征序列)为:
;
其中,为当前张图片的主干网络特征图与第一个编码本的第一特征序列,/>当前张图片的主干网络特征图与第M个编码本的第一特征序列;/>为当前张图片的总特征序列。
通过上述方法,得到A1图片的总特征序列,A2图片的总特征序列,B1图片的总特征序列,B1图片的总特征序列;其中A2图片与A1图片类别相同,B1图片和B2图片类别相同;B1图片和B2图片与A1图片类别不同;B1图片和B2图片与A2图片类别不同。
S24、根据当前张图片的总特征序列、与当前张图片类别相同的总特征序列、与当前张图片类别不同的总特征序列计算得到当前张图片的相似度损失值;
具体的,以A1图片的相似度损失值为例:
;
其中,为当前张图片的总特征序列(A1图片的总特征序列),/>为与当前张图片类别相同的总特征序列(A2图片的总特征序列),/>为与当前张图片类别不同的总特征序列(B1图片的总特征序列,B2图片的总特征序列),/>为与当前张图片类别不同的图片数量(上述实施例中/>为2)。
通过上述方法,得到A1图片的相似度损失值,A2图片的相似度损失值,B1图片的相似度损失值,B2图片的相似度损失值。
S25、将每张图片的总特征序列输入到所述更新船舶检测模型的检测头中,得到每张图片的分类损失值和回归损失值;
S26、根据每张图片的相似度损失值、分类损失值和回归损失值计算得到更新训练集的总损失值;
将所有张图片(即更新训练集的4张图片)的相似度损失值、分类损失值和回归损失值求和得到更新训练集的总损失值。根据更新训练集的总损失值对更新船舶检测模型进行反向传播。
S27、重复S22~S26,直至更新训练集的总损失值在第一预设范围内波动,停止训练,得到目标船舶检测模型。
将更新训练集进行多轮模型训练,直至更新训练集的总损失值在第一预设范围内波动(本申请中为),停止训练,得到目标船舶检测模型。
S3、将标定训练集输入到所述目标船舶检测模型中进行预测,得到每张标定图片的损失值以及每张标定图片的总特征序列;将标定训练集根据所有标定图片的损失值进行排序划分,得到标定易检训练集、标定较易检训练集、标定难检训练集;
假设标定训练集有10张图片,将标定训练集输入到目标船舶检测模型中进行预测,得到每张标定图片的损失值以及每张标定图片的总特征序列;将10张标定图片的损失值从小到大进行排序,从而将损失值前20%对应的标定训练集标为易检训练集;将损失值20%~80%对应的标定训练集标为较易检训练集,将损失值80%~100%对应的标定训练集标定为难检训练集。
S4、将未标定训练集输入到所述目标船舶检测模型中进行预测,得到每张未标定图片的总特征序列以及每张未标定图片中每个目标框的置信度;根据所有未标定图片的总特征序列以及所有标定图片的总特征序列计算得到每张未标定图片与标定训练集的最近距离;根据所有最近距离将未标定训练集划分为未匹配训练集和匹配训练集;以及将匹配训练集划分为未标定易检训练集、未标定较易检训练集、未标定难检训练集;将每张未标定图片中置信度大于预设阈值的目标框标为伪标签;
具体的,假设未标定训练集有10张图片,将第一张未标定图片的总特征序列与10张标定图片的总特征序列分别求差值,得到10个距离,在10个距离中找出最小距离,并将其作为第一张未标定图片与标定训练集的最近距离。类似的,分别得到第二张到第十张未标定图片与标定训练集的最近距离;即得到10个最近距离,将10个最近距离从小到大进行排序,将排序的后30%对应的未标定图片标为未匹配训练集,将排序的前70%对应的未标定图片标为匹配训练集,将匹配训练集中根据最近距离对应的标定训练集的类别将匹配训练集划分为未标定易检训练集、未标定较易检训练集、未标定难检训练集;
例如:第一张未标定图片与标定训练集中的第二张标定图片的差值最小,第二张未标定图片与标定训练集中的第四张标定图片的差值最小,类似的,可分别得到第三张到第十张未标定图片与标定训练集中的其中一张标定图片的差值最小;十个最近距离从小到大进行排序,得到前70%对应的未标定图片为第1、2、3、5、7、8、9张未标定图片,其为匹配训练集;而第一张未标定图片与标定训练集中的第二张标定图片的差值最小,第二张标定图片为标定易检图片,则第一张未标定图片为未标定易检图片;第二张未标定图片与标定训练集中的第四张标定图片的差值最小,第四张标定图片为标定难检图片,则第二张未标定图片为未标定难检图片。
所有的未标定易检图片组成未标定易检训练集,所有的未标定较易检图片组成未标定较易检训练集,所有的未标定难检图片组成未标定难检训练集。
将每张未标定图片中置信度大于预设阈值(本申请中设置为0.3)的目标框标为伪标签。需要注意的是,本申请对预设阈值的具体数值不作限定。
S5、将标定易检训练集和未标定易检训练集删除;根据预设的选择条件从标定较易检训练集、标定难检训练集中抽取两张图片,从未匹配训练集、未标定较易检训练集、未标定难检训练集中抽取两张图片作为当前迭代训练集;将当前迭代训练集输入到初始半监督船舶检测模型中进行训练,得到标定当前迭代损失值和未标定当前迭代损失值;根据所述标定当前迭代损失值和未标定当前迭代损失值对所述初始半监督船舶检测模型进行反向传播,得到当前迭代半监督船舶检测模型;
具体的,为了加强模型对较易检训练集和难检训练集的学习,将标定易检训练集和未标定易检训练集删除;
所述预设的选择条件包括:
选择条件一:从标定较易检训练集中抽取一张图片,标定难检训练集中抽取一张图片,从未匹配训练集中抽取一张图片,未标定较易检训练集中抽取一张图片作为当前迭代训练集;
或选择条件二:从标定较易检训练集中抽取一张图片,标定难检训练集中抽取一张图片,从未标定难检训练集中抽取一张图片,未标定较易检训练集中抽取一张图片作为当前迭代训练集;
或选择条件三:从标定较易检训练集中抽取两张图片,从未匹配训练集中抽取一张图片,未标定难检训练集中抽取一张图片作为当前迭代训练集。
即从三个选择条件中选择一种选择条件构成当前迭代训练集,将当前迭代训练集输入到初始半监督船舶检测模型中进行训练,得到每张标定图片的损失值和每张未标定图片每个伪标签的损失值;将每张未标定图片每个伪标签的损失值增加权重得到每张未标定图片每个伪标签的更新损失值;将当前迭代训练集中所有未标定图片的所有伪标签的更新损失值求和得到未标定当前迭代损失值。
当选择条件一或选择条件二进行模型训练时,标定当前迭代损失值根据以下公式计算:
;
其中,为通过初始半监督船舶检测模型训练得到的标定较易检图片的损失值,/>为通过初始半监督船舶检测模型训练得到的标定难检图片的损失值,为通过目标船舶检测模型预测得到的标定较易检图片的损失值,为通过目标船舶检测模型预测得到的标定难检图片的损失值,/>标定当前迭代损失值。
当选择条件三进行模型训练时,标定当前迭代损失值根据以下公式计算:
;
其中,为标定当前迭代损失值,/>为通过初始半监督船舶检测模型训练得到的所有标定较易检图片的损失值和。
当选择条件一或选择条件二或选择条件三进行模型训练时,当前张未标定图片当前个伪标签的更新损失值根据以下公式计算:
;
其中,为逻辑斯谛函数,/>为当前张未标定图片与标定训练集的最近距离,/>为当前张未标定图片当前个伪标签的损失值, />为通过目标船舶检测模型预测得到的当前张未标定图片当前个伪标签的置信度,/>为通过初始半监督船舶检测模型训练得到的当前张未标定图片当前个伪标签的损失值,为当前张未标定图片当前个伪标签的更新损失值;
将当前迭代训练集中所有未标定图片的所有伪标签的更新损失值求和得到未标定当前迭代损失值。
将标定当前迭代损失值和未标定当前迭代损失值求和得到当前迭代损失值,根据当前迭代损失值对所述初始半监督船舶检测模型进行反向传播,得到当前迭代半监督船舶检测模型。
S6、重复所述S5,直至将删除后的所有训练集训练完并进行多轮模型训练,得到目标半监督船舶检测模型;
若重复所述S5后,标定较易检训练集、标定难检训练集、未匹配训练集、未标定较易检训练集、未标定难检训练集中还剩余标定难检图片一张,未标定较易检图片一张;则直接将该张标定难检图片,未标定较易检图片输入到当前迭代半监督船舶检测模型进行训练,得到标定难检图片的损失值和未标定较易检图片所有伪标签的更新损失值之和。
将删除后的所有训练集训练完得到当前轮损失值以及当前轮半监督船舶检测模型;重复进行多轮模型训练,得到目标半监督船舶检测模型。
S7、将待检测图片输入到所述目标半监督船舶检测模型中进行检测,得到船舶位置。
图4是本发明实施例提供的一种基于对抗学习的半监督船舶检测***的结构示意图,如图4所示,该***包括:
模型更新模块201,用于在原始船舶检测模型的主干网络输出层后、检测头前增加相似度计算模块,得到更新船舶检测模型;
目标船舶检测模型训练模块202,用于将原始训练集进行数据预处理,得到更新训练集;将更新训练集输入到所述更新船舶检测模型中进行多轮模型训练,得到目标船舶检测模型;
图5是本发明实施例提供的目标船舶检测模型训练模块的结构示意图,如图5所示,所述目标船舶检测模型训练模块202包括:
数据处理子模块2021,用于将原始训练集进行K种不同数据处理,得到更新训练集;其中,原始训练集的图片数量至少为两张;所述更新训练集的图片数量为原始训练集的图片数量的K倍;
特征图获取子模块2022,将更新训练集输入到所述更新船舶检测模型的主干网络输出层中,得到每张图片的主干网络特征图;
编码子模块2023,用于将每张图片的主干网络特征图通过M个编码本进行编码得到每张图片的总特征序列;
图6是本发明实施例提供的编码子模块的结构示意图,如图6所示,所述编码子模块2023包括:
编码单元20231,用于将当前张图片的主干网络特征图划分为k组,将当前组主干网络特征图通过当前编码本进行编码得到当前组主干网络特征图与当前编码本所***字的相关性;其中,每个编码本包括k个码字;
第一特征值计算单元20232,用于根据相关性与当前编码本计算得到当前组主干网络特征图与当前编码本的第一特征值;
第一特征序列生成单元20233,用于根据所有组主干网络特征图与当前编码本的第一特征值,生成第一特征序列;
总特征序列生成单元20234,用于根据当前张图片的主干网络特征图与所有编码本的第一特征序列生成当前张图片的总特征序列。
相似度损失值计算子模块2024,用于根据当前张图片的总特征序列、与当前张图片类别相同的总特征序列、与当前张图片类别不同的总特征序列计算得到当前张图片的相似度损失值;
检测子模块2025,用于将每张图片的总特征序列输入到所述更新船舶检测模型的检测头中,得到每张图片的分类损失值和回归损失值;
总损失值计算子模块2026,用于根据每张图片的相似度损失值、分类损失值和回归损失值计算得到更新训练集的总损失值;
重复训练子模块2027,用于重复上述所有子模块,直至更新训练集的总损失值在第一预设范围内波动,停止训练,得到目标船舶检测模型。
标定训练集划分模块203,用于将标定训练集输入到所述目标船舶检测模型中进行预测,得到每张标定图片的损失值以及每张标定图片的总特征序列;将标定训练集根据所有标定图片的损失值进行排序划分,得到标定易检训练集、标定较易检训练集、标定难检训练集;
未标定训练集划分模块204,用于将未标定训练集输入到所述目标船舶检测模型中进行预测,得到每张未标定图片的总特征序列以及每张未标定图片中每个目标框的置信度;根据所有未标定图片的总特征序列以及所有标定图片的总特征序列计算得到每张未标定图片与标定训练集的最近距离;根据所有最近距离将未标定训练集划分为未匹配训练集和匹配训练集;以及将匹配训练集划分为未标定易检训练集、未标定较易检训练集、未标定难检训练集;将每张未标定图片中置信度大于第一预设阈值的目标框标为伪标签;
当前轮半监督船舶检测模型训练模块205,用于将标定易检训练集和未标定易检训练集删除;根据预设的选择条件从标定较易检训练集、标定难检训练集中抽取两张图片,从未匹配训练集、未标定较易检训练集、未标定难检训练集中抽取两张图片作为当前迭代训练集;将当前迭代训练集进行模型训练,直至删除后的所有训练集训练完,得到当前轮半监督船舶检测模型以及标定轮损失值和未标定轮损失值;根据标定轮损失值和未标定轮损失值计算得到轮总损失值;
重复训练模块206,用于重复当前轮半监督船舶检测模型训练模块,直至轮总损失值在第一预设范围内波动,停止训练,得到目标半监督船舶检测模型;
检测模块207,用于将待检测图片输入到所述目标半监督船舶检测模型中进行检测,得到船舶位置。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种基于对抗学习的半监督船舶检测方法,其特征在于,包括:
S1、在原始船舶检测模型的主干网络输出层后、检测头前增加相似度计算模块,得到更新船舶检测模型;
S2、将原始训练集进行数据预处理,得到更新训练集;将更新训练集输入到所述更新船舶检测模型中进行多轮模型训练,得到目标船舶检测模型;
S3、将标定训练集输入到所述目标船舶检测模型中进行预测,得到每张标定图片的损失值以及每张标定图片的总特征序列;将标定训练集根据所有标定图片的损失值进行排序划分,得到标定易检训练集、标定较易检训练集、标定难检训练集;
S4、将未标定训练集输入到所述目标船舶检测模型中进行预测,得到每张未标定图片的总特征序列以及每张未标定图片中每个目标框的置信度;根据所有未标定图片的总特征序列以及所有标定图片的总特征序列计算得到每张未标定图片与标定训练集的最近距离;根据所有最近距离将未标定训练集划分为未匹配训练集和匹配训练集;以及将匹配训练集划分为未标定易检训练集、未标定较易检训练集、未标定难检训练集;将每张未标定图片中置信度大于预设阈值的目标框标为伪标签;
S5、将标定易检训练集和未标定易检训练集删除;根据预设的选择条件从标定较易检训练集、标定难检训练集中抽取两张图片,从未匹配训练集、未标定较易检训练集、未标定难检训练集中抽取两张图片作为当前迭代训练集;将当前迭代训练集输入到初始半监督船舶检测模型中进行训练,得到标定当前迭代损失值和未标定当前迭代损失值;根据所述标定当前迭代损失值和未标定当前迭代损失值对所述初始半监督船舶检测模型进行反向传播,得到当前迭代半监督船舶检测模型;
S6、重复所述S5,直至将删除后的所有训练集训练完并进行多轮模型训练,得到目标半监督船舶检测模型;
S7、将待检测图片输入到所述目标半监督船舶检测模型中进行检测,得到船舶位置;
所述预设的选择条件包括:
选择条件一:从标定较易检训练集中抽取一张图片,标定难检训练集中抽取一张图片,从未匹配训练集中抽取一张图片,未标定较易检训练集中抽取一张图片作为当前迭代训练集;
或选择条件二:从标定较易检训练集中抽取一张图片,标定难检训练集中抽取一张图片,从未标定难检训练集中抽取一张图片,未标定较易检训练集中抽取一张图片作为当前迭代训练集;
或选择条件三:从标定较易检训练集中抽取两张图片,从未匹配训练集中抽取一张图片,未标定难检训练集中抽取一张图片作为当前迭代训练集。
2.根据权利要求1所述的方法,其特征在于,所述将原始训练集进行数据预处理,得到更新训练集包括:
S21、将原始训练集进行K种不同数据处理,得到更新训练集;其中,原始训练集的图片数量至少为两张;所述更新训练集的图片数量为原始训练集的图片数量的K倍。
3.根据权利要求2所述的方法,其特征在于,所述将更新训练集输入到所述更新船舶检测模型中进行多轮模型训练,得到目标船舶检测模型包括:
S22、将更新训练集输入到所述更新船舶检测模型的主干网络输出层中,得到每张图片的主干网络特征图;
S23、将每张图片的主干网络特征图通过M个编码本进行编码得到每张图片的总特征序列;
S24、根据当前张图片的总特征序列、与当前张图片类别相同的总特征序列、与当前张图片类别不同的总特征序列计算得到当前张图片的相似度损失值;
S25、将每张图片的总特征序列输入到所述更新船舶检测模型的检测头中,得到每张图片的分类损失值和回归损失值;
S26、根据每张图片的相似度损失值、分类损失值和回归损失值计算得到更新训练集的总损失值;
S27、重复S22~S26,直至更新训练集的总损失值在第一预设范围内波动,停止训练,得到目标船舶检测模型。
4.根据权利要求3所述的方法,其特征在于,所述S23包括:
S231、将当前张图片的主干网络特征图划分为k组,将当前组主干网络特征图通过当前编码本进行编码得到当前组主干网络特征图与当前编码本所***字的相关性;其中,每个编码本包括k个码字;
S232、根据相关性与当前编码本计算得到当前组主干网络特征图与当前编码本的第一特征值;
S233、根据所有组主干网络特征图与当前编码本的第一特征值,生成第一特征序列;
S234、根据当前张图片的主干网络特征图与所有编码本的第一特征序列生成当前张图片的总特征序列。
5.根据权利要求4所述的方法,其特征在于,
所述当前组主干网络特征图与当前编码本所***字的相关性根据以下公式计算:
其中,fea_map为当前组主干网络特征图,codewordj为当前编码本的第j个码字,k为当前编码本的码字数量,codewordi为当前编码本的第i个码字,i∈(1,2……k),为当前组主干网络特征图与当前编码本第i个码字的相关性,softmax为归一化指数函数;
所述当前组主干网络特征图与当前编码本的第一特征值根据以下公式计算:
其中,codewordi为当前编码本的第i个码字,k为当前编码本的码字数量,为当前组主干网络特征图与当前编码本第i个码字的相关性,seq_ins tan c e为当前组主干网络特征图与当前编码本的第一特征值;
当前张图片的总特征序列为:
seq_instance_Mgt=concatenate(seq_ins tan ce0,……,seq_ins tan cem-1)
其中,seq_ins tan ce0为当前张图片的主干网络特征图与第一个编码本的第一特征序列,seq_ins tan cem-1当前张图片的主干网络特征图与第M个编码本的第一特征序列;seq_insatnce_Mgt为当前张图片的总特征序列。
6.根据权利要求4所述的方法,其特征在于:
当选择条件一或选择条件二进行模型训练时,标定当前迭代损失值根据以下公式计算:
其中,losseasy为通过初始半监督船舶检测模型训练得到的标定较易检图片的损失值,lossdif为通过初始半监督船舶检测模型训练得到的标定难检图片的损失值,losspre_easy为通过目标船舶检测模型预测得到的标定较易检图片的损失值,losspre_dif为通过目标船舶检测模型预测得到的标定难检图片的损失值,Losslabel为标定当前迭代损失值。
7.根据权利要求6所述的方法,其特征在于:
当选择条件三进行模型训练时,标定当前迭代损失值根据以下公式计算:
Losslabel=losseasy
其中,Losslabel为标定当前迭代损失值,losseasy为通过初始半监督船舶检测模型训练得到的所有标定较易检图片的损失值和。
8.根据权利要求7所述的方法,其特征在于:
当选择条件一或选择条件二或选择条件三进行模型训练时,当前张未标定图片当前个伪标签的更新损失值根据以下公式计算:
lossunlabel=(1-sigmoid(dis tan ce))×Ppre_gt×(loss伪)
其中,sigmoid为逻辑斯谛函数,dis tan c e为当前张未标定图片与标定训练集的最近距离,ppre_gt为通过目标船舶检测模型预测得到的当前张未标定图片当前个伪标签的置信度,loss伪为通过初始半监督船舶检测模型训练得到的当前张未标定图片当前个伪标签的损失值,lossunlabel为当前张未标定图片当前个伪标签的更新损失值;
将当前迭代训练集中所有未标定图片的所有伪标签的更新损失值求和得到未标定当前迭代损失值。
9.一种基于对抗学习的半监督船舶检测***,其特征在于,包括:
模型更新模块,用于在原始船舶检测模型的主干网络输出层后、检测头前增加相似度计算模块,得到更新船舶检测模型;
目标船舶检测模型训练模块,用于将原始训练集进行数据预处理,得到更新训练集;将更新训练集输入到所述更新船舶检测模型中进行多轮模型训练,得到目标船舶检测模型;
标定训练集划分模块,用于将标定训练集输入到所述目标船舶检测模型中进行预测,得到每张标定图片的损失值以及每张标定图片的总特征序列;将标定训练集根据所有标定图片的损失值进行排序划分,得到标定易检训练集、标定较易检训练集、标定难检训练集;
未标定训练集划分模块,用于将未标定训练集输入到所述目标船舶检测模型中进行预测,得到每张未标定图片的总特征序列以及每张未标定图片中每个目标框的置信度;根据所有未标定图片的总特征序列以及所有标定图片的总特征序列计算得到每张未标定图片与标定训练集的最近距离;根据所有最近距离将未标定训练集划分为未匹配训练集和匹配训练集;以及将匹配训练集划分为未标定易检训练集、未标定较易检训练集、未标定难检训练集;将每张未标定图片中置信度大于第一预设阈值的目标框标为伪标签;
当前轮半监督船舶检测模型训练模块,用于将标定易检训练集和未标定易检训练集删除;根据预设的选择条件从标定较易检训练集、标定难检训练集中抽取两张图片,从未匹配训练集、未标定较易检训练集、未标定难检训练集中抽取两张图片作为当前迭代训练集;将当前迭代训练集进行模型训练,直至删除后的所有训练集训练完,得到当前轮半监督船舶检测模型以及标定轮损失值和未标定轮损失值;根据标定轮损失值和未标定轮损失值计算得到轮总损失值;
重复训练模块,用于重复当前轮半监督船舶检测模型训练模块,直至轮总损失值在第一预设范围内波动,停止训练,得到目标半监督船舶检测模型;
检测模块,用于将待检测图片输入到所述目标半监督船舶检测模型中进行检测,得到船舶位置;
所述预设的选择条件包括:
选择条件一:从标定较易检训练集中抽取一张图片,标定难检训练集中抽取一张图片,从未匹配训练集中抽取一张图片,未标定较易检训练集中抽取一张图片作为当前迭代训练集;
或选择条件二:从标定较易检训练集中抽取一张图片,标定难检训练集中抽取一张图片,从未标定难检训练集中抽取一张图片,未标定较易检训练集中抽取一张图片作为当前迭代训练集;
或选择条件三:从标定较易检训练集中抽取两张图片,从未匹配训练集中抽取一张图片,未标定难检训练集中抽取一张图片作为当前迭代训练集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311407565.7A CN117152587B (zh) | 2023-10-27 | 2023-10-27 | 一种基于对抗学习的半监督船舶检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311407565.7A CN117152587B (zh) | 2023-10-27 | 2023-10-27 | 一种基于对抗学习的半监督船舶检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117152587A CN117152587A (zh) | 2023-12-01 |
CN117152587B true CN117152587B (zh) | 2024-01-26 |
Family
ID=88910419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311407565.7A Active CN117152587B (zh) | 2023-10-27 | 2023-10-27 | 一种基于对抗学习的半监督船舶检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117152587B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117351440B (zh) * | 2023-12-06 | 2024-02-20 | 浙江华是科技股份有限公司 | 基于开放式文本检测的半监督船舶检测方法及*** |
CN117789041B (zh) * | 2024-02-28 | 2024-05-10 | 浙江华是科技股份有限公司 | 一种基于大气散射先验扩散模型的船舶去雾方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949750A (zh) * | 2021-03-25 | 2021-06-11 | 清华大学深圳国际研究生院 | 一种图像分类方法及计算机可读存储介质 |
CN114186615A (zh) * | 2021-11-22 | 2022-03-15 | 浙江华是科技股份有限公司 | 船舶检测半监督在线训练方法、装置及计算机存储介质 |
CN114743074A (zh) * | 2022-06-13 | 2022-07-12 | 浙江华是科技股份有限公司 | 一种基于强弱对抗训练的船舶检测模型训练方法及*** |
CN114998691A (zh) * | 2022-06-24 | 2022-09-02 | 浙江华是科技股份有限公司 | 半监督船舶分类模型训练方法及装置 |
CN115439715A (zh) * | 2022-09-12 | 2022-12-06 | 南京理工大学 | 基于反标签学习的半监督少样本图像分类学习方法及*** |
CN116168256A (zh) * | 2023-04-19 | 2023-05-26 | 浙江华是科技股份有限公司 | 一种船舶检测方法、***及计算机存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183577A (zh) * | 2020-08-31 | 2021-01-05 | 华为技术有限公司 | 一种半监督学习模型的训练方法、图像处理方法及设备 |
-
2023
- 2023-10-27 CN CN202311407565.7A patent/CN117152587B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949750A (zh) * | 2021-03-25 | 2021-06-11 | 清华大学深圳国际研究生院 | 一种图像分类方法及计算机可读存储介质 |
CN114186615A (zh) * | 2021-11-22 | 2022-03-15 | 浙江华是科技股份有限公司 | 船舶检测半监督在线训练方法、装置及计算机存储介质 |
CN114743074A (zh) * | 2022-06-13 | 2022-07-12 | 浙江华是科技股份有限公司 | 一种基于强弱对抗训练的船舶检测模型训练方法及*** |
CN114998691A (zh) * | 2022-06-24 | 2022-09-02 | 浙江华是科技股份有限公司 | 半监督船舶分类模型训练方法及装置 |
CN115439715A (zh) * | 2022-09-12 | 2022-12-06 | 南京理工大学 | 基于反标签学习的半监督少样本图像分类学习方法及*** |
CN116168256A (zh) * | 2023-04-19 | 2023-05-26 | 浙江华是科技股份有限公司 | 一种船舶检测方法、***及计算机存储介质 |
Non-Patent Citations (4)
Title |
---|
Ship detection leveraging deep neural networks in WorldView-2 images;Yamamoto, T.et.al;《 IMAGE AND SIGNAL PROCESSING FOR REMOTE SENSING XXIII》;第1-9页 * |
基于YOLOv3的船舶目标检测算法;王炳德;杨柳涛;;中国航海(01);第70-75页 * |
基于生成对抗网络的半监督遥感图像飞机检测;陈国炜;刘磊;郭嘉逸;潘宗序;胡文龙;;中国科学院大学学报(04);第110-117页 * |
融合零样本学习和小样本学习的弱监督学习方法综述;潘崇煜;黄健;郝建国;龚建兴;张中杰;;***工程与电子技术(10);第104-114页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117152587A (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117152587B (zh) | 一种基于对抗学习的半监督船舶检测方法及*** | |
CN112765358B (zh) | 一种基于噪声标签学习的纳税人行业分类方法 | |
CN110569696A (zh) | 用于车辆部件识别的神经网络***、方法和装置 | |
CN112232241B (zh) | 一种行人重识别方法、装置、电子设备和可读存储介质 | |
CN113656581B (zh) | 文本分类及模型训练的方法、装置、设备以及存储介质 | |
CN114492574A (zh) | 基于高斯均匀混合模型的伪标签损失无监督对抗域适应图片分类方法 | |
CN112015863A (zh) | 一种基于图神经网络的多元特征融合中文文本分类方法 | |
CN110428424B (zh) | 基于深度学习的雷达回波图像高压线分割方法 | |
CN111783767B (zh) | 文字识别方法、装置、电子设备及存储介质 | |
CN113221852B (zh) | 一种目标识别方法及装置 | |
CN114863091A (zh) | 一种基于伪标签的目标检测训练方法 | |
CN113010683B (zh) | 基于改进图注意力网络的实体关系识别方法及*** | |
US12008826B2 (en) | Method and apparatus for customized deep learning-based text correction | |
CN111832580A (zh) | 结合少样本学习与目标属性特征的sar目标识别方法 | |
CN117216270A (zh) | 一种多标签文本分类物流供应商推荐方法 | |
Li et al. | Remote sensing image classification with few labeled data using semisupervised learning | |
CN116069985A (zh) | 一种基于标签语义增强的鲁棒在线跨模态哈希检索方法 | |
CN116246107A (zh) | 标注不完备图像的识别方法、装置、***和电子介质 | |
CN115424275A (zh) | 一种基于深度学习技术的渔船船牌号识别方法及*** | |
CN113592045A (zh) | 从印刷体到手写体的模型自适应文本识别方法和*** | |
CN114663751A (zh) | 一种基于增量学习技术的输电线路缺陷识别方法和*** | |
CN112215272A (zh) | 一种基于贝塞尔曲线的图像分类神经网络攻击方法 | |
CN112948617A (zh) | 基于特定类原型的深度哈希网络图像检索方法及装置 | |
CN112085040A (zh) | 对象标签确定方法、装置和计算机设备 | |
CN118170993B (zh) | 一种基于对比学习与场因子分解的教育资源推荐方法 |
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 |