公开(公告)号：CN118397345A

公开(公告)日：2024-07-26

申请号：CN202410500327.9

申请日：2024-04-24

Applicant: 郑州轻工业大学

Inventor： 钱晓亮 ,  林晨阳 ,  王慰 ,  曾黎 ,  张秋闻 ,  程塨 ,  姚西文 ,  岳伟超 ,  任航丽 ,  刘向龙 ,  王芳 ,  刘玉翠

IPC: G06V10/764 ,  G06N3/0895 ,  G06V10/25 ,  G06V10/774

Abstract: 本发明提出了一种基于分割一切模型和伪全监督学习的高分辨率遥感图像弱监督目标检测方法，步骤包括：S1：构建弱监督深度检测网络，获得弱监督深度检测网络的损失函数、实例分类优化分支损失函数和边界框回归分支损失函数；S2：基于在线实例优化器和边界框回归分支构建伪全监督目标检测头，进行种子实例的挖掘；S3：完成种子的更新并进行标签的传播；S4：利用伪真值实例替代原始方法所产生的原伪真值实例，得到PFSOD Head的损失函数，S5：建立总体损失函数进行训练，得到完成训练的弱监督目标检测模型。本申请通过设计了一种基于分割一切模型的伪真值挖掘策略，提升了弱监督目标检测的检测精度。

公开(公告)号：CN116630801A

公开(公告)日：2023-08-22

申请号：CN202310568911.3

申请日：2023-05-19

Applicant: 郑州轻工业大学

Inventor： 钱晓亮 ,  林晨阳 ,  霍豫 ,  王慰 ,  曾黎 ,  程塨 ,  姚西文 ,  王芳 ,  刘玉翠 ,  岳伟超 ,  任航丽 ,  刘向龙 ,  吴青娥 ,  张秋闻

IPC: G06V20/10 ,  G06V20/70 ,  G06V10/764 ,  G06V10/25 ,  G06V10/26 ,  G06V10/774

Abstract: 本发明提出了一种基于伪实例软标签的遥感图像弱监督目标检测方法，其步骤为：构建弱监督深度检测网络，并添加实例分类优化；使用选择性搜索算法为训练图像生成一系列目标候选框，依次计算目标候选框类别得分和图像的类别预测得分，训练弱监督深度检测网络；计算每个目标候选框的双上下文投影得分；得到目标候选框质量得分，为每个实例分类优化分支挖掘伪真值实例；为所有伪真值实例分配软标签，对实例分类优化分支训练；利用训练后的弱监督深度检测网络和实例分类优化分支构建目标检测模型，利用目标检测模型获得感兴趣目标的类别和位置。本发明能够有效挖掘高质量目标候选框，能够有效提升高分辨率遥感图像弱监督目标检测的检测精度。