公开(公告)号：CN116452794B

公开(公告)日：2023-11-03

申请号：CN202310395613.9

申请日：2023-04-14

Applicant: 中国矿业大学

Inventor： 王军 ,  王梓茏 ,  李玉莲 ,  李亚萌

IPC: G06V10/25 ,  G06V10/774 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/096

Abstract: 本发明公开了一种基于半监督学习的有向目标检测方法，首先通过本发明提出的一种新的五参数有向框表示方法对有标签数据集进行标注，其次设计了基于多阶段Faster RCNN的有向目标检测网络。为了保证网络在有高召回率的同时具有高精确度，本发明采用先预测水平包络框再将其回归为有向框的方式，并设计了角度增强训练算法。在此基础上，构建基于教师‑学生网络的有向目标检测半监督学习方法，利用少量有标签数据集和大量无标签数据集联合训练，计算有监督损失和无监督损失的加权和，得到总损失，用于网络模型参数更新。根据本发明，使用少量的有标签数据和海量的无标签数据，在极低的有向目标检测数据集标注成本下，提高了有向目标检测的精度。

公开(公告)号：CN116452794A

公开(公告)日：2023-07-18

申请号：CN202310395613.9

申请日：2023-04-14

Applicant: 中国矿业大学

Inventor： 王军 ,  王梓茏 ,  李玉莲 ,  李亚萌

IPC: G06V10/25 ,  G06V10/774 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/096

Abstract: 本发明公开了一种基于半监督学习的有向目标检测方法，首先通过本发明提出的一种新的五参数有向框表示方法对有标签数据集进行标注，其次设计了基于多阶段Faster RCNN的有向目标检测网络。为了保证网络在有高召回率的同时具有高精确度，本发明采用先预测水平包络框再将其回归为有向框的方式，并设计了角度增强训练算法。在此基础上，构建基于教师‑学生网络的有向目标检测半监督学习方法，利用少量有标签数据集和大量无标签数据集联合训练，计算有监督损失和无监督损失的加权和，得到总损失，用于网络模型参数更新。根据本发明，使用少量的有标签数据和海量的无标签数据，在极低的有向目标检测数据集标注成本下，提高了有向目标检测的精度。