CN116168256B - 一种船舶检测方法、系统及计算机存储介质 - Google Patents

一种船舶检测方法、系统及计算机存储介质 Download PDF

Info

Publication number
CN116168256B
CN116168256B CN202310417790.2A CN202310417790A CN116168256B CN 116168256 B CN116168256 B CN 116168256B CN 202310417790 A CN202310417790 A CN 202310417790A CN 116168256 B CN116168256 B CN 116168256B
Authority
CN
China
Prior art keywords
category
update
model
picture
value
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
Application number
CN202310417790.2A
Other languages
English (en)
Other versions
CN116168256A (zh
Inventor
吴显德
傅君梅
周瑶越
俞伟娜
鲁杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Whyis Technology Co ltd
Original Assignee
Zhejiang Whyis Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Whyis Technology Co ltd filed Critical Zhejiang Whyis Technology Co ltd
Priority to CN202310417790.2A priority Critical patent/CN116168256B/zh
Publication of CN116168256A publication Critical patent/CN116168256A/zh
Application granted granted Critical
Publication of CN116168256B publication Critical patent/CN116168256B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V10/764—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
    • G06V10/77—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种船舶检测方法、系统及计算机存储介质。其中，该方法对原始船舶检测模型进行修改，在保留之前检测头的参数下，增加一个或几个新的检测头的类别通道和坐标通道；更新训练集只标注新增类别的目标框，采用原始船舶检测模型对更新训练集图片进行预测，得到每张图片伪标签的预测结果；采用蒸馏的方法，针对原始类别标注在瓶颈层和检测头进行蒸馏；通过目标框的类别均值和置信度的类别均值，解决目标类别不平衡问题和易检、难检问题，加大模型对难检类别的学习，降低对易检类别的关注。

Description

一种船舶检测方法、系统及计算机存储介质
技术领域
本发明涉及船舶技术领域，具体而言，涉及一种船舶检测方法、系统及计算机存储介质。
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。随着水上交通业务不断发展，船舶检测的任务不断复杂化，新的类别不断增加，采用以往船舶检测方法，原始训练集的人工标定信息可能含有新的类别需要重新标定，需要花费大量的人力和时间；新的训练集十分庞大，根据新的训练集重新训练新的船舶检测模型十分耗时；新的训练集标注全部类别，全部标定需要耗费大量人力。
针对现有技术中船舶检测的任务变化速度快，船舶训练集的标定信息更新速度快，需要大量人力更新训练集和模型训练需要大量训练集训练耗时大的问题，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船舶检测方法、系统及计算机存储介质，以解决现有技术中船舶检测的任务变化速度快，船舶训练集的标定信息更新速度快，需要大量人力更新训练集和模型训练需要大量训练集训练耗时大的问题。
为达到上述目的，一方面，本发明提供了一种船舶检测方法，该方法包括：S101，将原始训练集进行多轮模型训练，得到原始船舶检测模型，并将其作为初始教师模型；S102，修改所述原始船舶检测模型中检测头的类别通道和坐标通道，得到更新的船舶检测模型，将所述初始教师模型的权重赋值到所述更新的船舶检测模型的权重中，并将赋值后的更新的船舶检测模型作为初始学生模型；S103，统计更新训练集中目标框的类别均值；S104，将更新测试集输入到所述初始学生模型或初始教师模型中进行预测，得到更新测试集中置信度的类别均值；根据所述更新训练集中目标框的类别均值，以及所述更新测试集中置信度的类别均值计算得到每个类别权重；S105，从所述更新训练集选取预设数量的图片作为迭代训练集；将每张迭代图片输入到所述初始教师模型中进行训练，得到当前迭代教师模型以及每张迭代图片伪标签的预测结果、每张迭代图片伪标签的特征值；将所述每张迭代图片输入到所述初始学生模型中进行训练，得到每张迭代图片所有检测目标的预测结果、每张迭代图片所有检测目标的特征值；根据所述每张迭代图片伪标签的预测结果、特征值，所述每张迭代图片所有检测目标的预测结果、特征值计算得到每张迭代图片的伪标签损失值、新类别损失值、蒸馏损失值；根据所述每张迭代图片的伪标签损失值、新类别损失值、蒸馏损失值计算得到每张迭代图片的总损失值；根据所述每张迭代图片的总损失值计算得到当前迭代总损失值，根据所述当前迭代总损失值对所述初始学生模型进行反向传播，得到当前迭代学生模型；S106，重复所述S104-S105直至将更新训练集中全部图片训练完并进行多轮模型训练，得到目标学生模型、目标教师模型；S107，将待检测图片输入到所述目标学生模型和所述目标教师模型中进行检测，得到目标船舶位置和类别。
可选的，所述S103包括：统计更新训练集中人工标定的新增类别的目标框数量；将更新训练集输入到所述原始船舶检测模型中进行模型预测，得到更新训练集中原始类别的目标框数量；根据所述更新训练集中人工标定的新增类别的目标框数量、所述更新训练集中原始类别的目标框数量、以及更新训练集中类别总数计算得到更新训练集中目标框的类别均值。
可选的，所述S104包括：将更新测试集输入到所述初始学生模型中进行预测，得到更新测试集的准确率以及更新测试集中每个类别的置信度；当判定所述准确率大于预设准确率时，根据更新测试集中所有类别的置信度和值以及类别总数计算得到更新测试集中置信度的类别均值；根据所述更新训练集中目标框的类别均值，以及所述更新测试集中置信度的类别均值计算得到每个类别权重；当判定所述准确率小于或等于所述预设准确率时，将更新测试集输入到所述初始教师模型中进行预测，得到更新测试集中每个原始类别的置信度；根据更新测试集中所有原始类别的置信度和值以及原始类别总数计算得到更新测试集中置信度的类别均值；根据所述更新训练集中目标框的类别均值，以及所述更新测试集中置信度的类别均值计算得到每个类别权重。
可选的，所述当判定所述准确率大于预设准确率时，每个类别权重根据以下公式计算：
Figure SMS_1
；
Figure SMS_2
；
其中，
Figure SMS_11
为更新测试集中所有类别的置信度和值；/>
Figure SMS_13
为类别总数；/>
Figure SMS_15
为更新测试集中置信度的类别均值；/>
Figure SMS_17
，/>
Figure SMS_19
是超参，/>
Figure SMS_20
表示更新训练集或更新测试集中第/>
Figure SMS_21
类别，当/>
Figure SMS_4
不是新增类别即是原始类别时，最大值为/>
Figure SMS_6
，当/>
Figure SMS_8
是新增类别时，最大值为/>
Figure SMS_10
，/>
Figure SMS_12
；/>
Figure SMS_14
为更新训练集中目标框的类别均值；/>
Figure SMS_16
为更新训练集中第/>
Figure SMS_18
类别的目标框数量，/>
Figure SMS_3
为更新测试集中第/>
Figure SMS_5
类别的置信度；min为求最小值，max为求最大值；/>
Figure SMS_7
为第/>
Figure SMS_9
类别的权重；
所述当判定所述准确率小于或等于所述预设准确率时，每个类别权重根据以下公式计算：
Figure SMS_22
；
Figure SMS_23
；
其中，
Figure SMS_32
为更新测试集中所有原始类别的置信度和值；
Figure SMS_34
为原始类别总数；/>
Figure SMS_35
为更新测试集中置信度的类别均值；/>
Figure SMS_36
，
Figure SMS_37
是超参，/>
Figure SMS_38
表示更新训练集或更新测试集中第/>
Figure SMS_40
类别，当/>
Figure SMS_24
不是新增类别即是原始类别时，最大值为/>
Figure SMS_27
，当/>
Figure SMS_29
是新增类别时，最大值为/>
Figure SMS_31
，/>
Figure SMS_33
；/>
Figure SMS_39
为更新训练集中目标框的类别均值；/>
Figure SMS_41
为更新训练集中第/>
Figure SMS_42
类别的目标框数量，
Figure SMS_25
为更新测试集中第/>
Figure SMS_26
类别的置信度；min为求最小值，max为求最大值，
Figure SMS_28
为第/>
Figure SMS_30
类别的权重。
可选的，所述将每张迭代图片输入到所述初始教师模型中进行训练，得到当前迭代教师模型以及每张迭代图片伪标签的预测结果、每张迭代图片伪标签的特征值包括：将每张迭代图片顺次输入到所述初始教师模型中的主干网络、瓶颈层中，得到每张迭代图片中船舶原始类别的特征值；将所述每张迭代图片中船舶原始类别的特征值输入到所述初始教师模型中的检测头中，得到当前迭代教师模型以及每张迭代图片中船舶原始类别、以及其对应的船舶坐标、船舶置信度；将所述每张迭代图片中船舶原始类别、以及其对应的船舶坐标作为学生模型的伪标签，并保存对应的船舶置信度。
可选的，所述每张迭代图片中每个目标框的伪标签损失值根据以下公式计算：
Figure SMS_43
；
Figure SMS_44
；
其中，P为当前张迭代图片中当前目标框的伪标签置信度，sigmoid为神经网络的激活函数，
Figure SMS_45
为当前张迭代图片中当前目标框的伪标签权重；/>
Figure SMS_46
为当前张迭代图片中当前目标框的伪标签损失值，/>
Figure SMS_47
为当前张图片中当前目标框所属的第/>
Figure SMS_48
类别的权重，/>
Figure SMS_49
为当前张迭代图片中当前目标框的伪标签类别损失值，
Figure SMS_50
为当前张迭代图片中当前目标框的伪标签回归损失值。
可选的，所述每张迭代图片中每个目标框的新类别损失值根据以下公式计算：
Figure SMS_51
；
其中，
Figure SMS_52
为当前张迭代图片中当前目标框的新类别损失值，
Figure SMS_53
为当前张图片中当前目标框所属的第/>
Figure SMS_54
类别的权重，/>
Figure SMS_55
为当前张迭代图片中当前目标框的新类别损失值，/>
Figure SMS_56
为当前张迭代图片中当前目标框的新回归损失值。
可选的，所述每张迭代图片的蒸馏损失值根据以下公式计算：
Figure SMS_57
；
Figure SMS_58
；
Figure SMS_59
；
其中，
Figure SMS_61
为当前张迭代图片的瓶颈层蒸馏损失值；/>
Figure SMS_62
为当前张迭代图片通过初始学生模型预测的船舶原始类别的特征值；/>
Figure SMS_64
为当前张迭代图片通过初始教师模型预测的船舶原始类别的特征值；/>
Figure SMS_66
为绝对值函数；/>
Figure SMS_67
为当前张迭代图片中当前目标框通过初始学生模型预测的所有原始类别的置信度；/>
Figure SMS_68
为当前张迭代图片中当前目标框通过初始教师模型预测的所有原始类别的置信度；KL为相对熵；
Figure SMS_69
为当前张迭代图片中第n个目标框的检测头蒸馏损失值；N为当前张迭代图片的所有目标框的数量；/>
Figure SMS_60
、/>
Figure SMS_63
为人工设置的值；/>
Figure SMS_65
为当前张迭代图片的蒸馏损失值。
另一方面，本发明提供了一种船舶检测系统，该系统包括：初始教师模型训练单元，用于将原始训练集进行多轮模型训练，得到原始船舶检测模型，并将其作为初始教师模型；修改赋值单元，用于修改所述原始船舶检测模型中检测头的类别通道和坐标通道，得到更新的船舶检测模型，将所述初始教师模型的权重赋值到所述更新的船舶检测模型的权重中，并将赋值后的更新的船舶检测模型作为初始学生模型；统计单元，用于统计更新训练集中目标框的类别均值；计算单元，用于将更新测试集输入到所述初始学生模型或初始教师模型中进行预测，得到更新测试集中置信度的类别均值；根据所述更新训练集中目标框的类别均值，以及所述更新测试集中置信度的类别均值计算得到每个类别权重；迭代训练单元，用于从所述更新训练集选取预设数量的图片作为迭代图片；将每张迭代图片输入到所述初始教师模型中进行训练，得到当前迭代教师模型以及每张迭代图片伪标签的预测结果、每张迭代图片伪标签的特征值；将所述每张迭代图片输入到所述初始学生模型中进行训练，得到每张迭代图片所有检测目标的预测结果、每张迭代图片所有检测目标的特征值；根据所述每张迭代图片伪标签的预测结果、特征值，所述每张迭代图片所有检测目标的预测结果、特征值计算得到每张迭代图片的伪标签损失值、新类别损失值、蒸馏损失值；根据所述每张迭代图片的伪标签损失值、新类别损失值、蒸馏损失值计算得到每张迭代图片的总损失值；根据所述每张迭代图片的总损失值计算得到当前迭代总损失值，根据所述当前迭代总损失值对所述初始学生模型进行反向传播，得到当前迭代学生模型；重复训练单元，用于重复所述计算单元，迭代训练单元直至将更新训练集中全部图片训练完并进行多轮模型训练，得到目标学生模型、目标教师模型；检测单元，用于将待检测图片输入到所述目标学生模型和所述目标教师模型中进行检测，得到目标船舶位置和类别。
另一方面，本发明还提供了一种计算机存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上所述的船舶检测方法。
本发明的有益效果：
本发明提供了一种船舶检测方法、系统及计算机存储介质，该方法对原始船舶检测模型进行修改，在保留之前检测头的参数下，增加一个或几个新的检测头的类别通道和坐标通道；更新训练集只标注新增类别的目标框，采用原始船舶检测模型对更新训练集图片进行预测，得到每张图片伪标签的预测结果；采用蒸馏的方法，针对原始类别标注在瓶颈层和检测头进行蒸馏；通过目标框的类别均值和置信度的类别均值，解决目标类别不平衡问题和易检、难检问题，加大模型对难检类别的学习，降低对易检类别的关注。
附图说明
图1是本发明实施例提供的一种船舶检测方法的流程图；
图2是本发明实施例提供的统计更新训练集中目标框的类别均值的流程图；
图3是本发明实施例提供的计算得到每个类别权重的流程图；
图4是本发明实施例提供的一种船舶检测系统的结构示意图；
图5是本发明实施例提供的统计单元的结构示意图；
图6是本发明实施例提供的计算单元的结构示意图。
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。
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。随着水上交通业务不断发展，船舶检测的任务不断复杂化，新的类别不断增加，采用以往船舶检测方法，原始训练集的人工标定信息可能含有新的类别需要重新标定，需要花费大量的人力和时间；新的训练集十分庞大，根据新的训练集重新训练新的船舶检测模型十分耗时；新的训练集标注全部类别，全部标定需要耗费大量人力。
因而，本发明提供了一种基于伪标签增量蒸馏的船舶检测方法，在模型通道、伪标签和蒸馏方法三个方面进行改进，实现对更新训练集只标注新的类别，减缓人工标定和模型训练的耗时问题；图1是本发明实施例提供的一种船舶检测方法的流程图，如图1所示，该方法包括：
S101，将原始训练集进行多轮模型训练，得到（检出率较高的）原始船舶检测模型，并将其作为初始教师模型；
具体的，假设原始训练集包括三类船舶，船舶A、船舶B、船舶C，则得到的初始教师模型只能检测这三类船舶。
S102，修改所述原始船舶检测模型中检测头的类别通道和坐标通道，得到更新的船舶检测模型，将所述初始教师模型的权重赋值到所述更新的船舶检测模型的权重中，并将赋值后的更新的船舶检测模型作为初始学生模型；
具体的，本发明中原始船舶检测模型采用faster-rcnn网络，原始船舶检测模型中的主干网络、瓶颈层不变，只修改原始船舶检测模型中检测头的类别通道和坐标通道，得到更新的船舶检测模型，更新的船舶检测模型中检测头的类别通道比原始船舶检测模型中检测头的类别通道多一个或n个；坐标通道多4或4*n个通道。
假设原始船舶检测模型只能检测船舶A、船舶B、船舶C这三类船舶，其原始船舶检测模型中检测头的类别通道为3个，坐标通道为4*3=12个，若更新训练集新增了两类船舶，船舶D、船舶E，则更新的船舶检测模型中的类别通道要变为5个，坐标通道要变为4*5=20个。
进一步的，将所述初始教师模型的权重赋值到所述更新的船舶检测模型的权重中，具体为将初始教师模型的主干网络、瓶颈层的权重直接赋值到更新的船舶检测模型的主干网络、瓶颈层的权重中，将初始教师模型的检测头的3类通道对应赋值到更新的船舶检测模型的检测头的3类通道中，新增的两类通道的参数采用高斯分布在0~1之间随机赋值。
S103，统计更新训练集中目标框的类别均值；
具体的，图2是本发明实施例提供的统计更新训练集中目标框的类别均值的流程图，如图2所示，所述S103包括：
S1031，统计更新训练集中人工标定的新增类别的目标框数量；
具体的，只将更新训练集中新增类别（船舶D、船舶E）的目标框进行人工标定，统计更新训练集中人工标定的新增类别的目标框数量。
S1032，将更新训练集输入到所述原始船舶检测模型中进行模型预测，得到更新训练集中原始类别的目标框数量；
具体的，将更新训练集输入到所述原始船舶检测模型中进行模型预测，得到更新训练集中原始类别（船舶A、船舶B、船舶C）的目标框的置信度、若目标框的置信度大于预设置信度（本发明中设置为0.45），则将该目标框保留；反之，若目标框的置信度小于或等于0.45，则不保留该目标框，统计更新训练集中原始类别的目标框数量。
S1033，根据所述更新训练集中人工标定的新增类别的目标框数量、所述更新训练集中原始类别的目标框数量、以及更新训练集中类别总数计算得到更新训练集中目标框的类别均值。
具体的，所述更新训练集中目标框的类别均值根据以下公式计算：
Figure SMS_70
；
其中，
Figure SMS_71
为更新训练集中人工标定的新增类别的目标框数量和更新训练集中原始类别的目标框数量的总和；/>
Figure SMS_72
为更新训练集中类别总数（本发明中为5，即船舶A、B、C、D、E）；/>
Figure SMS_73
为更新训练集中目标框的类别均值。
S104，将更新测试集输入到所述初始学生模型或初始教师模型中进行预测，得到更新测试集中置信度的类别均值；根据所述更新训练集中目标框的类别均值，以及所述更新测试集中置信度的类别均值计算得到每个类别权重；
具体的，图3是本发明实施例提供的计算得到每个类别权重的流程图，如图3所示，所述S104包括：
S1041，将更新测试集（更新测试集与更新训练集对应，都是包含5个类别，即船舶A、B、C、D、E）输入到所述初始学生模型中进行预测，得到更新测试集的准确率以及更新测试集中每个类别的置信度；当判定所述准确率大于预设准确率（本发明中设置为0.8）时，采用初始学生模型预测出的更新测试集中每个类别（船舶A、B、C、D、E）的置信度，进行损失权重计算，即根据更新测试集中所有类别的置信度和值以及类别总数（5）计算得到更新测试集中置信度的类别均值；具体公式为：
Figure SMS_74
；
其中，
Figure SMS_75
为更新测试集中所有类别的置信度和值；/>
Figure SMS_76
为类别总数；/>
Figure SMS_77
为更新测试集中置信度的类别均值。
根据所述更新训练集中目标框的类别均值，以及所述更新测试集中置信度的类别均值计算得到每个类别权重；具体公式为：
Figure SMS_78
；
其中，
Figure SMS_81
，/>
Figure SMS_83
是超参，/>
Figure SMS_85
表示更新训练集或更新测试集中第/>
Figure SMS_87
类别，当/>
Figure SMS_89
不是新增类别即是原始类别（船舶A、船舶B、船舶C）时，最大值为/>
Figure SMS_91
，本发明中设置为0.5，当/>
Figure SMS_93
是新增类别（船舶D、船舶E）时，最大值为/>
Figure SMS_79
，本发明中设置为1.2，/>
Figure SMS_82
；/>
Figure SMS_84
为更新训练集中目标框的类别均值；/>
Figure SMS_86
为更新训练集中第/>
Figure SMS_88
类别的目标框数量，/>
Figure SMS_90
为更新测试集中第/>
Figure SMS_92
类别的置信度；min为求最小值，max为求最大值；/>
Figure SMS_94
为第/>
Figure SMS_80
类别的权重。
S1042，当判定所述准确率小于或等于所述预设准确率（本发明中设置为0.8）时，将更新测试集输入到所述初始教师模型中进行预测，得到更新测试集中每个原始类别（船舶A、船舶B、船舶C）的置信度；采用初始教师模型预测出的更新测试集中每个类别（船舶A、B、C）的置信度，进行损失权重计算，即根据更新测试集中所有原始类别的置信度和值以及原始类别总数（3）计算得到更新测试集中置信度的类别均值；具体公式为：
Figure SMS_95
；
其中，
Figure SMS_96
为更新测试集中所有原始类别的置信度和值；
Figure SMS_97
为原始类别总数；/>
Figure SMS_98
为更新测试集中置信度的类别均值。
根据所述更新训练集中目标框的类别均值，以及所述更新测试集中置信度的类别均值计算得到每个类别权重；具体公式为：
Figure SMS_99
；
其中，
Figure SMS_102
，/>
Figure SMS_104
是超参，/>
Figure SMS_106
表示更新训练集或更新测试集中第/>
Figure SMS_108
类别，当/>
Figure SMS_110
不是新增类别即是原始类别（船舶A、船舶B、船舶C）时，最大值为/>
Figure SMS_112
，本发明中设置为0.5，当/>
Figure SMS_114
是新增类别（船舶D、船舶E）时，最大值为/>
Figure SMS_100
，本发明中设置为1.2，/>
Figure SMS_103
；/>
Figure SMS_105
为更新训练集中目标框的类别均值；/>
Figure SMS_107
为更新训练集中第/>
Figure SMS_109
类别的目标框数量，/>
Figure SMS_111
为更新测试集中第/>
Figure SMS_113
类别（这里只有船舶A、船舶B、船舶C）的置信度；min为求最小值，max为求最大值，/>
Figure SMS_115
为第/>
Figure SMS_101
类别的权重。
需要注意的是，更新测试集中第
Figure SMS_116
类别的置信度通过更新测试集中第/>
Figure SMS_117
类别所有目标框的置信度求和得到；进一步的，假设更新测试集中一个目标框被预测出为船舶A类别的置信度为0.6，被预测出为船舶C类别的置信度为0.4，被预测出船舶E类别的置信度为0.2，则只保留船舶A类别的置信度，即认为更新测试集中该目标框为船舶A类别，其置信度为0.6。
S105，从所述更新训练集选取预设数量的图片作为迭代图片；将每张迭代图片输入到所述初始教师模型中进行训练，得到当前迭代教师模型以及每张迭代图片伪标签的预测结果、每张迭代图片伪标签的特征值；将所述每张迭代图片输入到所述初始学生模型中进行训练，得到每张迭代图片所有检测目标的预测结果、每张迭代图片所有检测目标的特征值；根据所述每张迭代图片伪标签的预测结果、特征值，所述每张迭代图片所有检测目标的预测结果、特征值计算得到每张迭代图片的伪标签损失值、新类别损失值、蒸馏损失值；根据所述每张迭代图片的伪标签损失值、新类别损失值、蒸馏损失值计算得到每张迭代图片的总损失值；根据所述每张迭代图片的总损失值计算得到当前迭代总损失值，根据所述当前迭代总损失值对所述初始学生模型进行反向传播，得到当前迭代学生模型；
S1051，所述将每张迭代图片输入到所述初始教师模型中进行训练，得到当前迭代教师模型以及每张迭代图片伪标签的预测结果、每张迭代图片伪标签的特征值包括：
将每张迭代图片顺次输入到所述初始教师模型中的主干网络、瓶颈层中，得到每张迭代图片中船舶原始类别（船舶A、船舶B、船舶C）的特征值；
将所述每张迭代图片中船舶原始类别的特征值输入到所述初始教师模型中的检测头中，得到当前迭代教师模型以及每张迭代图片中船舶原始类别、以及其对应的船舶坐标、船舶置信度；
将所述每张迭代图片中船舶原始类别、以及其对应的船舶坐标作为学生模型的伪标签，并保存对应的船舶置信度；即得到每张迭代图片伪标签的预测结果（船舶类别、坐标以及置信度）。
S1052，所述将所述每张迭代图片输入到所述初始学生模型中进行训练，得到每张迭代图片所有检测目标的预测结果、每张迭代图片所有检测目标的特征值包括：
将所述每张迭代图片顺次输入到所述初始学生模型中的主干网络、瓶颈层中，得到每张迭代图片中船舶类别（船舶A、船舶B、船舶C、船舶D、船舶E）的特征值；
将所述每张迭代图片中船舶类别的特征值输入到所述初始学生模型中的检测头中，得到每张迭代图片中所有检测目标的预测结果（船舶类别、坐标以及置信度）。
S1053，所述根据所述每张迭代图片伪标签的预测结果、特征值，所述每张迭代图片所有检测目标的预测结果、特征值计算得到每张迭代图片的伪标签损失值、新类别损失值、蒸馏损失,包括：
（1）所述每张迭代图片中每个目标框的伪标签损失值根据以下公式计算：
Figure SMS_118
；
Figure SMS_119
；
其中，P为当前张迭代图片中当前目标框的伪标签置信度（即通过初始教师模型预测出的当前目标框的伪标签置信度），sigmoid为S型函数，将置信度值限制在0~1之间，置信度越高越接近于1，置信度越低越接近于0，
Figure SMS_120
为当前张迭代图片中当前目标框的伪标签权重；/>
Figure SMS_121
为当前张迭代图片中当前目标框的伪标签损失值，/>
Figure SMS_122
为当前张图片中当前目标框所属的第/>
Figure SMS_123
类别的权重，/>
Figure SMS_124
为当前张迭代图片中当前目标框的伪标签类别损失值（即将当前张迭代图片中当前目标框通过初始学生模型预测出的原始类别预测结果，与当前张迭代图片中当前目标框通过初始教师模型预测出的伪标签预测结果作比对得到的），/>
Figure SMS_125
为当前张迭代图片中当前目标框的伪标签回归损失值（即将当前张迭代图片中当前目标框通过初始学生模型预测出的原始类别预测结果，与当前张迭代图片中当前目标框通过初始教师模型预测出的伪标签预测结果作比对得到的）。
将每张迭代图片中所有目标框的伪标签损失值求和得到每张迭代图片的伪标签损失值。
（2）所述每张迭代图片中每个目标框的新类别损失值根据以下公式计算：
Figure SMS_126
；
其中，
Figure SMS_127
为当前张迭代图片中当前目标框的新类别损失值，
Figure SMS_128
为当前张图片中当前目标框所属的第/>
Figure SMS_129
类别的权重，/>
Figure SMS_130
为当前张迭代图片中当前目标框的新类别损失值（即将当前张迭代图片中当前目标框通过初始学生模型预测出的新增类别预测结果，与当前张迭代图片中当前目标框通过人工标定出的新增类别的标定结果作比对得到的），/>
Figure SMS_131
为当前张迭代图片中当前目标框的新回归损失值（即将当前张迭代图片中当前目标框通过初始学生模型预测出的新增类别预测结果，与当前张迭代图片中当前目标框通过人工标定出的新增类别的标定结果作比对得到的）。
将每张迭代图片中所有目标框的新类别损失值求和得到每张迭代图片的新类别损失值。
（3）所述每张迭代图片的蒸馏损失值根据以下公式计算：
Figure SMS_132
；
Figure SMS_133
；
Figure SMS_134
；
其中，
Figure SMS_136
为当前张迭代图片的瓶颈层蒸馏损失值；/>
Figure SMS_139
为当前张迭代图片通过初始学生模型预测的船舶原始类别（船舶A、B、C）的特征值（这里需要注意的是，船舶D、E不参与计算）；/>
Figure SMS_140
为当前张迭代图片通过初始教师模型预测的船舶原始类别（船舶A、B、C）的特征值；/>
Figure SMS_141
为绝对值函数；通过教师模型和学生模型的预测目标，反向推导到瓶颈层，旧类别目标坐标映射到瓶颈层特征，进行绝对值计算；/>
Figure SMS_142
为当前张迭代图片中当前目标框通过初始学生模型预测的所有原始类别（船舶A、B、C）的置信度；
Figure SMS_143
为当前张迭代图片中当前目标框通过初始教师模型预测的所有原始类别（船舶A、B、C）的置信度；KL为相对熵；/>
Figure SMS_144
为当前张迭代图片中第n个目标框的检测头蒸馏损失值，采用KL散度，计算学生模型预测框旧类别信息和教师模型预测框旧类别信息的差值，让学生模型预测旧类别相信向教师模型接近；N为当前张迭代图片的所有目标框的数量；
Figure SMS_135
、/>
Figure SMS_137
为人工设置的值；/>
Figure SMS_138
为当前张迭代图片的蒸馏损失值。
进一步的，
Figure SMS_145
为当前张迭代图片中当前目标框通过初始学生模型预测的所有原始类别（船舶A、B、C）的置信度，通过一个具体的例子进行说明：
当前张迭代图片中当前目标框通过初始学生模型被预测出为船舶A类别的置信度为0.6，被预测出为船舶B类别的置信度为0.3，被预测出船舶C类别的置信度为0.2，在KL散度计算公式中这里需全部保留当前目标框预测出的三种原始类别（船舶A、船舶B、船舶C）的置信度。
S1054，将所述每张迭代图片的伪标签损失值、新类别损失值、蒸馏损失值求和得到每张迭代图片的总损失值；将迭代训练集中的所有迭代图片的总损失值求和得到当前迭代总损失值；根据所述当前迭代总损失值对所述初始学生模型进行反向传播，得到当前迭代学生模型。
S106，重复所述S104-S105直至将更新训练集中全部图片训练完并进行多轮模型训练，得到目标学生模型、目标教师模型；
重复所述S104-S105直至将更新训练集中全部图片训练完并进行多轮模型训练，直至当前迭代总损失值在预设范围（即±0.1%）内波动，停止模型训练，得到目标学生模型、目标教师模型。
S107，将待检测图片输入到所述目标学生模型和所述目标教师模型中进行检测，得到目标船舶位置和类别。
图4是本发明实施例提供的一种船舶检测系统的结构示意图，如图4所示，该系统包括：
初始教师模型训练单元201，用于将原始训练集进行多轮模型训练，得到原始船舶检测模型，并将其作为初始教师模型；
修改赋值单元202，用于修改所述原始船舶检测模型中检测头的类别通道和坐标通道，得到更新的船舶检测模型，将所述初始教师模型的权重赋值到所述更新的船舶检测模型的权重中，并将赋值后的更新的船舶检测模型作为初始学生模型；
统计单元203，用于统计更新训练集中目标框的类别均值；
图5是本发明实施例提供的统计单元的结构示意图，如图5所示，所述统计单元203包括：
统计子单元2031，用于统计更新训练集中人工标定的新增类别的目标框数量；
训练子单元2032，用于将更新训练集输入到所述原始船舶检测模型中进行模型预测，得到更新训练集中原始类别的目标框数量；
计算子单元2033，用于根据所述更新训练集中人工标定的新增类别的目标框数量、所述更新训练集中原始类别的目标框数量、以及更新训练集中类别总数计算得到更新训练集中目标框的类别均值。
计算单元204，用于将更新测试集输入到所述初始学生模型或初始教师模型中进行预测，得到更新测试集中置信度的类别均值；根据所述更新训练集中目标框的类别均值，以及所述更新测试集中置信度的类别均值计算得到每个类别权重；
图6是本发明实施例提供的计算单元的结构示意图，如图6所示，所述计算单元204包括：
第一判断子单元2041，用于将更新测试集输入到所述初始学生模型中进行预测，得到更新测试集的准确率以及更新测试集中每个类别的置信度；当判定所述准确率大于预设准确率时，根据更新测试集中所有类别的置信度和值以及类别总数计算得到更新测试集中置信度的类别均值；根据所述更新训练集中目标框的类别均值，以及所述更新测试集中置信度的类别均值计算得到每个类别权重；
第二判断子单元2042，用于当判定所述准确率小于或等于所述预设准确率时，将更新测试集输入到所述初始教师模型中进行预测，得到更新测试集中每个原始类别的置信度；根据更新测试集中所有原始类别的置信度和值以及原始类别总数计算得到更新测试集中置信度的类别均值；根据所述更新训练集中目标框的类别均值，以及所述更新测试集中置信度的类别均值计算得到每个类别权重。
迭代训练单元205，用于从所述更新训练集选取预设数量的图片作为迭代图片；将每张迭代图片输入到所述初始教师模型中进行训练，得到当前迭代教师模型以及每张迭代图片伪标签的预测结果、每张迭代图片伪标签的特征值；将所述每张迭代图片输入到所述初始学生模型中进行训练，得到每张迭代图片所有检测目标的预测结果、每张迭代图片所有检测目标的特征值；根据所述每张迭代图片伪标签的预测结果、特征值，所述每张迭代图片所有检测目标的预测结果、特征值计算得到每张迭代图片的伪标签损失值、新类别损失值、蒸馏损失值；根据所述每张迭代图片的伪标签损失值、新类别损失值、蒸馏损失值计算得到每张迭代图片的总损失值；根据所述每张迭代图片的总损失值计算得到当前迭代总损失值，根据所述当前迭代总损失值对所述初始学生模型进行反向传播，得到当前迭代学生模型；
重复训练单元206，用于重复所述计算单元，迭代训练单元直至将更新训练集中全部图片训练完并进行多轮模型训练，得到目标学生模型、目标教师模型；
检测单元207，用于将待检测图片输入到所述目标学生模型和所述目标教师模型中进行检测，得到目标船舶位置和类别。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述的船舶检测方法。
上述存储介质中存储有上述软件，该存储介质包括但不限于：光盘、软盘、硬盘、可擦写存储器等。
本发明的有益效果：
本发明提供了一种船舶检测方法、系统及计算机存储介质，该方法对原始船舶检测模型进行修改，在保留之前检测头的参数下，增加一个或几个新的检测头的类别通道和坐标通道；更新训练集只标注新增类别的目标框，采用原始船舶检测模型对更新训练集图片进行预测，得到每张图片伪标签的预测结果；采用蒸馏的方法，针对原始类别标注在瓶颈层和检测头进行蒸馏；通过目标框的类别均值和置信度的类别均值，解决目标类别不平衡问题和易检、难检问题，加大模型对难检类别的学习，降低对易检类别的关注。
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 (8)

1.一种船舶检测方法，其特征在于，包括：
S101，将原始训练集进行多轮模型训练，得到原始船舶检测模型，并将其作为初始教师模型；
S102，修改所述原始船舶检测模型中检测头的类别通道和坐标通道，得到更新的船舶检测模型，将所述初始教师模型的权重赋值到所述更新的船舶检测模型的权重中，并将赋值后的更新的船舶检测模型作为初始学生模型；
S103，统计更新训练集中目标框的类别均值；
S104，将更新测试集输入到所述初始学生模型或初始教师模型中进行预测，得到更新测试集中置信度的类别均值；根据所述更新训练集中目标框的类别均值，以及所述更新测试集中置信度的类别均值计算得到每个类别权重；
S105，从所述更新训练集选取预设数量的图片作为迭代训练集；将每张迭代图片输入到所述初始教师模型中进行训练，得到当前迭代教师模型以及每张迭代图片伪标签的预测结果、每张迭代图片伪标签的特征值；将所述每张迭代图片输入到所述初始学生模型中进行训练，得到每张迭代图片所有检测目标的预测结果、每张迭代图片所有检测目标的特征值；根据所述每张迭代图片伪标签的预测结果、特征值，所述每张迭代图片所有检测目标的预测结果、特征值计算得到每张迭代图片的伪标签损失值、新类别损失值、蒸馏损失值；根据所述每张迭代图片的伪标签损失值、新类别损失值、蒸馏损失值计算得到每张迭代图片的总损失值；根据所述每张迭代图片的总损失值计算得到当前迭代总损失值，根据所述当前迭代总损失值对所述初始学生模型进行反向传播，得到当前迭代学生模型；
S106，重复所述S104-S105直至将更新训练集中全部图片训练完并进行多轮模型训练，得到目标学生模型、目标教师模型；
S107，将待检测图片输入到所述目标学生模型和所述目标教师模型中进行检测，得到目标船舶位置和类别；
所述S104包括：
将更新测试集输入到所述初始学生模型中进行预测，得到更新测试集的准确率以及更新测试集中每个类别的置信度；当判定所述准确率大于预设准确率时，根据更新测试集中所有类别的置信度和值以及类别总数计算得到更新测试集中置信度的类别均值；根据所述更新训练集中目标框的类别均值，以及所述更新测试集中置信度的类别均值计算得到每个类别权重；
当判定所述准确率小于或等于所述预设准确率时，将更新测试集输入到所述初始教师模型中进行预测，得到更新测试集中每个原始类别的置信度；根据更新测试集中所有原始类别的置信度和值以及原始类别总数计算得到更新测试集中置信度的类别均值；根据所述更新训练集中目标框的类别均值，以及所述更新测试集中置信度的类别均值计算得到每个类别权重；
所述当判定所述准确率大于预设准确率时，每个类别权重根据以下公式计算：
Figure QLYQS_1
；
Figure QLYQS_2
；
其中，
Figure QLYQS_12
为更新测试集中所有类别的置信度和值；/>
Figure QLYQS_14
为类别总数；/>
Figure QLYQS_16
为更新测试集中置信度的类别均值；/>
Figure QLYQS_18
，/>
Figure QLYQS_19
是超参，/>
Figure QLYQS_20
表示更新训练集或更新测试集中第/>
Figure QLYQS_21
类别，当/>
Figure QLYQS_3
不是新增类别即是原始类别时，最大值为/>
Figure QLYQS_5
，当/>
Figure QLYQS_7
是新增类别时，最大值为/>
Figure QLYQS_9
，/>
Figure QLYQS_11
；/>
Figure QLYQS_13
为更新训练集中目标框的类别均值；/>
Figure QLYQS_15
为更新训练集中第/>
Figure QLYQS_17
类别的目标框数量，
Figure QLYQS_4
为更新测试集中第/>
Figure QLYQS_6
类别的置信度；min为求最小值，max为求最大值；
Figure QLYQS_8
为第/>
Figure QLYQS_10
类别的权重；
所述当判定所述准确率小于或等于所述预设准确率时，每个类别权重根据以下公式计算：
Figure QLYQS_22
；
Figure QLYQS_23
；
其中，
Figure QLYQS_33
为更新测试集中所有原始类别的置信度和值；
Figure QLYQS_35
为原始类别总数；/>
Figure QLYQS_37
为更新测试集中置信度的类别均值；
Figure QLYQS_39
，/>
Figure QLYQS_40
是超参，/>
Figure QLYQS_41
表示更新训练集或更新测试集中第/>
Figure QLYQS_42
类别，当/>
Figure QLYQS_24
不是新增类别即是原始类别时，最大值为/>
Figure QLYQS_26
，当/>
Figure QLYQS_28
是新增类别时，最大值为/>
Figure QLYQS_30
，/>
Figure QLYQS_32
；
Figure QLYQS_34
为更新训练集中目标框的类别均值；/>
Figure QLYQS_36
为更新训练集中第/>
Figure QLYQS_38
类别的目标框数量，/>
Figure QLYQS_25
为更新测试集中第/>
Figure QLYQS_27
类别的置信度；min为求最小值，max为求最大值，/>
Figure QLYQS_29
为第/>
Figure QLYQS_31
类别的权重。
2.根据权利要求1所述的方法，其特征在于，所述S103包括：
统计更新训练集中人工标定的新增类别的目标框数量；
将更新训练集输入到所述原始船舶检测模型中进行模型预测，得到更新训练集中原始类别的目标框数量；
根据所述更新训练集中人工标定的新增类别的目标框数量、所述更新训练集中原始类别的目标框数量、以及更新训练集中类别总数计算得到更新训练集中目标框的类别均值。
3.根据权利要求1所述的方法，其特征在于，所述将每张迭代图片输入到所述初始教师模型中进行训练，得到当前迭代教师模型以及每张迭代图片伪标签的预测结果、每张迭代图片伪标签的特征值包括：
将每张迭代图片顺次输入到所述初始教师模型中的主干网络、瓶颈层中，得到每张迭代图片中船舶原始类别的特征值；
将所述每张迭代图片中船舶原始类别的特征值输入到所述初始教师模型中的检测头中，得到当前迭代教师模型以及每张迭代图片中船舶原始类别、以及其对应的船舶坐标、船舶置信度；
将所述每张迭代图片中船舶原始类别、以及其对应的船舶坐标作为学生模型的伪标签，并保存对应的船舶置信度。
4.根据权利要求3所述的方法，其特征在于：
所述每张迭代图片中每个目标框的伪标签损失值根据以下公式计算：
Figure QLYQS_43
；
Figure QLYQS_44
；
其中，P为当前张迭代图片中当前目标框的伪标签置信度，sigmoid为神经网络的激活函数，
Figure QLYQS_45
为当前张迭代图片中当前目标框的伪标签权重；/>
Figure QLYQS_46
为当前张迭代图片中当前目标框的伪标签损失值，/>
Figure QLYQS_47
为当前张图片中当前目标框所属的第/>
Figure QLYQS_48
类别的权重，/>
Figure QLYQS_49
为当前张迭代图片中当前目标框的伪标签类别损失值，/>
Figure QLYQS_50
为当前张迭代图片中当前目标框的伪标签回归损失值。
5.根据权利要求4所述的方法，其特征在于：
所述每张迭代图片中每个目标框的新类别损失值根据以下公式计算：
Figure QLYQS_51
；
其中，
Figure QLYQS_52
为当前张迭代图片中当前目标框的新类别损失值，
Figure QLYQS_53
为当前张图片中当前目标框所属的第/>
Figure QLYQS_54
类别的权重，/>
Figure QLYQS_55
为当前张迭代图片中当前目标框的新类别损失值，/>
Figure QLYQS_56
为当前张迭代图片中当前目标框的新回归损失值。
6.根据权利要求5所述的方法，其特征在于：
所述每张迭代图片的蒸馏损失值根据以下公式计算：
Figure QLYQS_57
；
Figure QLYQS_58
；
Figure QLYQS_59
；
其中，
Figure QLYQS_61
为当前张迭代图片的瓶颈层蒸馏损失值；/>
Figure QLYQS_62
为当前张迭代图片通过初始学生模型预测的船舶原始类别的特征值；/>
Figure QLYQS_64
为当前张迭代图片通过初始教师模型预测的船舶原始类别的特征值；/>
Figure QLYQS_66
为绝对值函数；/>
Figure QLYQS_67
为当前张迭代图片中当前目标框通过初始学生模型预测的所有原始类别的置信度；/>
Figure QLYQS_68
为当前张迭代图片中当前目标框通过初始教师模型预测的所有原始类别的置信度；KL为相对熵；/>
Figure QLYQS_69
为当前张迭代图片中第n个目标框的检测头蒸馏损失值；N为当前张迭代图片的所有目标框的数量；/>
Figure QLYQS_60
、/>
Figure QLYQS_63
为人工设置的值；/>
Figure QLYQS_65
为当前张迭代图片的蒸馏损失值。
7.一种船舶检测系统，其特征在于，包括：
初始教师模型训练单元，用于将原始训练集进行多轮模型训练，得到原始船舶检测模型，并将其作为初始教师模型；
修改赋值单元，用于修改所述原始船舶检测模型中检测头的类别通道和坐标通道，得到更新的船舶检测模型，将所述初始教师模型的权重赋值到所述更新的船舶检测模型的权重中，并将赋值后的更新的船舶检测模型作为初始学生模型；
统计单元，用于统计更新训练集中目标框的类别均值；
计算单元，用于将更新测试集输入到所述初始学生模型或初始教师模型中进行预测，得到更新测试集中置信度的类别均值；根据所述更新训练集中目标框的类别均值，以及所述更新测试集中置信度的类别均值计算得到每个类别权重；
迭代训练单元，用于从所述更新训练集选取预设数量的图片作为迭代图片；将每张迭代图片输入到所述初始教师模型中进行训练，得到当前迭代教师模型以及每张迭代图片伪标签的预测结果、每张迭代图片伪标签的特征值；将所述每张迭代图片输入到所述初始学生模型中进行训练，得到每张迭代图片所有检测目标的预测结果、每张迭代图片所有检测目标的特征值；根据所述每张迭代图片伪标签的预测结果、特征值，所述每张迭代图片所有检测目标的预测结果、特征值计算得到每张迭代图片的伪标签损失值、新类别损失值、蒸馏损失值；根据所述每张迭代图片的伪标签损失值、新类别损失值、蒸馏损失值计算得到每张迭代图片的总损失值；根据所述每张迭代图片的总损失值计算得到当前迭代总损失值，根据所述当前迭代总损失值对所述初始学生模型进行反向传播，得到当前迭代学生模型；
重复训练单元，用于重复所述计算单元，迭代训练单元直至将更新训练集中全部图片训练完并进行多轮模型训练，得到目标学生模型、目标教师模型；
检测单元，用于将待检测图片输入到所述目标学生模型和所述目标教师模型中进行检测，得到目标船舶位置和类别；
所述计算单元包括：
第一判断子单元，用于将更新测试集输入到所述初始学生模型中进行预测，得到更新测试集的准确率以及更新测试集中每个类别的置信度；当判定所述准确率大于预设准确率时，根据更新测试集中所有类别的置信度和值以及类别总数计算得到更新测试集中置信度的类别均值；根据所述更新训练集中目标框的类别均值，以及所述更新测试集中置信度的类别均值计算得到每个类别权重；
第二判断子单元，用于当判定所述准确率小于或等于所述预设准确率时，将更新测试集输入到所述初始教师模型中进行预测，得到更新测试集中每个原始类别的置信度；根据更新测试集中所有原始类别的置信度和值以及原始类别总数计算得到更新测试集中置信度的类别均值；根据所述更新训练集中目标框的类别均值，以及所述更新测试集中置信度的类别均值计算得到每个类别权重；
所述当判定所述准确率大于预设准确率时，每个类别权重根据以下公式计算：
Figure QLYQS_70
；
Figure QLYQS_71
；
其中，
Figure QLYQS_80
为更新测试集中所有类别的置信度和值；/>
Figure QLYQS_82
为类别总数；/>
Figure QLYQS_84
为更新测试集中置信度的类别均值；/>
Figure QLYQS_86
，/>
Figure QLYQS_88
是超参，/>
Figure QLYQS_89
表示更新训练集或更新测试集中第/>
Figure QLYQS_90
类别，当/>
Figure QLYQS_72
不是新增类别即是原始类别时，最大值为/>
Figure QLYQS_75
，当/>
Figure QLYQS_77
是新增类别时，最大值为/>
Figure QLYQS_79
，/>
Figure QLYQS_81
；/>
Figure QLYQS_83
为更新训练集中目标框的类别均值；/>
Figure QLYQS_85
为更新训练集中第/>
Figure QLYQS_87
类别的目标框数量，
Figure QLYQS_73
为更新测试集中第/>
Figure QLYQS_74
类别的置信度；min为求最小值，max为求最大值；
Figure QLYQS_76
为第/>
Figure QLYQS_78
类别的权重；
所述当判定所述准确率小于或等于所述预设准确率时，每个类别权重根据以下公式计算：
Figure QLYQS_91
；
Figure QLYQS_92
；
其中，
Figure QLYQS_101
为更新测试集中所有原始类别的置信度和值；
Figure QLYQS_103
为原始类别总数；/>
Figure QLYQS_105
为更新测试集中置信度的类别均值；
Figure QLYQS_107
，/>
Figure QLYQS_109
是超参，/>
Figure QLYQS_110
表示更新训练集或更新测试集中第/>
Figure QLYQS_111
类别，当/>
Figure QLYQS_94
不是新增类别即是原始类别时，最大值为/>
Figure QLYQS_96
，当/>
Figure QLYQS_98
是新增类别时，最大值为/>
Figure QLYQS_100
，/>
Figure QLYQS_102
；
Figure QLYQS_104
为更新训练集中目标框的类别均值；/>
Figure QLYQS_106
为更新训练集中第/>
Figure QLYQS_108
类别的目标框数量，/>
Figure QLYQS_93
为更新测试集中第/>
Figure QLYQS_95
类别的置信度；min为求最小值，max为求最大值，/>
Figure QLYQS_97
为第/>
Figure QLYQS_99
类别的权重。
8.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1至6中任一项所述的船舶检测方法。
CN202310417790.2A 2023-04-19 2023-04-19 一种船舶检测方法、系统及计算机存储介质 Active CN116168256B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310417790.2A CN116168256B (zh) 2023-04-19 2023-04-19 一种船舶检测方法、系统及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310417790.2A CN116168256B (zh) 2023-04-19 2023-04-19 一种船舶检测方法、系统及计算机存储介质

Publications (2)

Publication Number Publication Date
CN116168256A CN116168256A (zh) 2023-05-26
CN116168256B true CN116168256B (zh) 2023-07-14

Family

ID=86418520

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310417790.2A Active CN116168256B (zh) 2023-04-19 2023-04-19 一种船舶检测方法、系统及计算机存储介质

Country Status (1)

Country Link
CN (1) CN116168256B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117152587B (zh) * 2023-10-27 2024-01-26 浙江华是科技股份有限公司 一种基于对抗学习的半监督船舶检测方法及系统
CN117830304B (zh) * 2024-03-04 2024-05-24 浙江华是科技股份有限公司 一种水雾船舶检测方法、系统及计算机存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018169639A1 (en) * 2017-03-17 2018-09-20 Nec Laboratories America, Inc Recognition in unlabeled videos with domain adversarial learning and knowledge distillation
CN114627338A (zh) * 2022-05-16 2022-06-14 浙江华是科技股份有限公司 一种船舶类别分类模型训练方法、系统及计算机存储介质
CN115690568A (zh) * 2022-11-04 2023-02-03 哈尔滨工程大学 一种基于增量学习的无人艇目标检测方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10402701B2 (en) * 2017-03-17 2019-09-03 Nec Corporation Face recognition system for face recognition in unlabeled videos with domain adversarial learning and knowledge distillation
US11694088B2 (en) * 2019-03-13 2023-07-04 Cortica Ltd. Method for object detection using knowledge distillation
CN112766087A (zh) * 2021-01-04 2021-05-07 武汉大学 一种基于知识蒸馏的光学遥感图像舰船检测方法
CN114241285B (zh) * 2021-11-25 2024-05-28 华南理工大学 一种基于知识蒸馏和半监督学习的船舶快速检测方法
CN114445693A (zh) * 2021-12-17 2022-05-06 上海交通大学 基于知识蒸馏的可持续学习水上障碍物检测系统及方法
CN115019180B (zh) * 2022-07-28 2023-01-17 北京卫星信息工程研究所 Sar图像舰船目标检测方法、电子设备及存储介质
CN115330777B (zh) * 2022-10-13 2023-03-24 浙江华是科技股份有限公司 训练图片缩放尺寸船舶检测方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018169639A1 (en) * 2017-03-17 2018-09-20 Nec Laboratories America, Inc Recognition in unlabeled videos with domain adversarial learning and knowledge distillation
CN114627338A (zh) * 2022-05-16 2022-06-14 浙江华是科技股份有限公司 一种船舶类别分类模型训练方法、系统及计算机存储介质
CN115690568A (zh) * 2022-11-04 2023-02-03 哈尔滨工程大学 一种基于增量学习的无人艇目标检测方法

Also Published As

Publication number Publication date
CN116168256A (zh) 2023-05-26

Similar Documents

Publication Publication Date Title
CN116168256B (zh) 一种船舶检测方法、系统及计算机存储介质
CN108491928B (zh) 模型参数发送方法、装置、服务器及存储介质
US10713597B2 (en) Systems and methods for preparing data for use by machine learning algorithms
EP3114540B1 (en) Neural network and method of neural network training
CN109508634B (zh) 基于迁移学习的船舶类型识别方法及系统
US20160358068A1 (en) Reducing computations in a neural network
CN114048331A (zh) 一种基于改进型kgat模型的知识图谱推荐方法及系统
CN114662780A (zh) 碳排放量预测方法、装置、电子设备及存储介质
US20110288835A1 (en) Data processing device, data processing method and program
CN110909125B (zh) 推文级社会媒体谣言检测方法
CN110119540B (zh) 一种用于生存风险分析的多输出梯度提升树建模方法
CA3183005A1 (en) Ancestry composition determination
WO2020030052A1 (zh) 一种动物数量识别方法、装置、介质及电子设备
KR20220024990A (ko) L2TL(Learning to Transfer Learn)을 위한 프레임워크
CN114511021A (zh) 基于改进乌鸦搜索算法的极限学习机分类算法
US20230342606A1 (en) Training method and apparatus for graph neural network
WO2023207389A1 (zh) 数据处理方法、装置、程序产品、计算机设备和介质
CN112116069A (zh) 一种基于Attention-LSTM的强化学习Agent知识推理方法
CN113869342A (zh) 预估性建模中的标记偏移检测和调整
CN112215412A (zh) 溶解氧预测方法及装置
CN113935496A (zh) 一种面向集成模型的鲁棒性提升防御方法
CN114298299A (zh) 基于课程学习的模型训练方法、装置、设备及存储介质
CN112836794A (zh) 一种图像神经架构的确定方法、装置、设备及存储介质
CN111353525A (zh) 一种不均衡不完整数据集的建模及缺失值填补方法
CN113300884B (zh) 一种基于gwo-svr的分步网络流量预测方法

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