公开(公告)号：CN112052876B

公开(公告)日：2022-05-06

申请号：CN202010773637.X

申请日：2020-08-04

申请人： 烽火通信科技股份有限公司

发明人： 廖玉婷 ,  邹素雯 ,  陈林祥 ,  石志凯 ,  张涛

IPC分类号： G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

摘要： 本发明公开了一种基于改进RA‑CNN的细粒度图像检测方法：S1、对训练图像进行预处理得到其图像向量编码和类别向量编码；S2、根据训练图像的图像向量编码和类别向量编码，使用改进的RA‑CNN模型进行弱监督训练，得到预测的边界框信息；S3、使用标注有边界框的训练图片作为输入，用步骤S2中预测的边界框与标注的边界框进行对比，计算损失函数进行强监督训练，得到经训练的图像检测模型；S4、对待检测图像进行灰度处理和向量归一化处理，得到待检测图像的图像向量编码，将待检测图像的图像向量编码输入上述经训练的图像检测模型，得到待检测图像中的物体类别和边界框信息。本发明还提供了相应的基于改进RA‑CNN的细粒度图像检测系统。

公开(公告)号：CN112052876A

公开(公告)日：2020-12-08

申请号：CN202010773637.X

申请日：2020-08-04

申请人： 烽火通信科技股份有限公司

发明人： 廖玉婷 ,  邹素雯 ,  陈林祥 ,  石志凯 ,  张涛

IPC分类号： G06K9/62 ,  G06N3/04 ,  G06N3/08

摘要： 本发明公开了一种基于改进RA‑CNN的细粒度图像检测方法：S1、对训练图像进行预处理得到其图像向量编码和类别向量编码；S2、根据训练图像的图像向量编码和类别向量编码，使用改进的RA‑CNN模型进行弱监督训练，得到预测的边界框信息；S3、使用标注有边界框的训练图片作为输入，用步骤S2中预测的边界框与标注的边界框进行对比，计算损失函数进行强监督训练，得到经训练的图像检测模型；S4、对待检测图像进行灰度处理和向量归一化处理，得到待检测图像的图像向量编码，将待检测图像的图像向量编码输入上述经训练的图像检测模型，得到待检测图像中的物体类别和边界框信息。本发明还提供了相应的基于改进RA‑CNN的细粒度图像检测系统。