(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111676774.2 (22)申请日 2021.12.31 (65)同一申请的已公布的文献号 申请公布号 CN 114399731 A (43)申请公布日 2022.04.26 (73)专利权人 中国科学院大学 地址 100049 北京市石景山区玉泉路19号 甲 (72)发明人 余学辉　张如飞　韩振军　陈鹏飞　 吴狄　曹光明　韩许盟　王岿然　 彭潇珂　黄志勋　陈皓睿　叶齐祥　 焦建彬　万方　 (74)专利代理 机构 北京康思博达知识产权代理 事务所(普通 合伙) 11426 专利代理师 潘炜 (51)Int.Cl. G06V 20/52(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06T 7/73(2017.01) (56)对比文件 CN 111915746 A,2020.1 1.10 CN 113673622 A,2021.1 1.19 CN 112258480 A,2021.01.2 2 US 20212873 63 A1,2021.09.16 CN 106250915 A,2016.12.21 Javier Ribera.L ocating Objects Without Boundi ng Boxes. 《arxiv》 .2019,1-1 1. Hakan Bi len.Weak ly Supervised De ep Detection Networks. 《2016 IE EE Conference on Computer Visi on and Pat tern Recognition (CVPR)》 .2016,2846 -2854. Qingyu Song.Rethi nking Counti ng and Localization in Crowds A Purely Po int- Based Framew ork. 《arxiv》 .2021,1-10. 审查员 刘植 (54)发明名称 一种单粗 点监督下的目标定位方法 (57)摘要 本发明公开了一种单粗点监督下的目标定 位方法， 所述方法包括获取进行目标定位训练的 标注点的过程， 所述过程包括以下步骤： 步骤1， 对目标进行粗点标注或获取已有原始标注； 步骤 2， 将粗点标注或已有原始标注进行细化， 获得改 善后的标注。 本发明公开的单粗点监督下的目标 定位方法， 采用粗点注释策略， 使用细化点作为 训练定位器的监督， 解决了现有POL方法严重依 赖于难以定义的准确关键点注释的问题， 扩展了 基于点的物体定位的应用范围， 提高了目标定位 性能。 权利要求书3页 说明书16页 附图5页 CN 114399731 B 2022.12.20 CN 114399731 B 1.一种单粗点监督下的目标定位方法， 其特征在于， 所述方法包括获取进行目标定位 训练的标注点的过程， 所述过程包括以下步骤： 步骤1， 对目标进行粗 点标注或获取已有原 始标注； 步骤2， 将粗 点标注或已有原 始标注进行细化， 获得改善后的标注； 步骤2包括以下子步骤： 步骤2‑1， 对标注点邻域内的点进行采样； 步骤2‑2， 训练网络对 采样点进行分类； 步骤2‑3， 选择语义相关点， 获得语义中心点； 步骤2‑2中， 网络的损失基于焦点损失， 通过 下式获得： 其中， cj∈{0,1}K为分类标签得分， K表示类别的数量， cj,k表示第j个标注点在第k个类 别上的分类得分， Sp,k表示p点在第k个类上的预测得分， γ表 示可调节 参数， p表示特征图上 的一个点， 所述训练网络的目标函数通过 下式获得： LCPR＝LMIL+αannLann+αnegLneg 其中， LMIL表示实例级MIL损失， Lann表示注释损失， Lneg表示负损失， αann表示注释损失权 重， αneg表示负损失权 重。 2.根据权利要求1所述的单粗点监督下的目标定位方法， 其特征在于， 步骤2 ‑1中， 按照 包括以下步骤的方法对标志点邻域内的点进行采样： 定义以aj为中心的R个圆， 等间隔在半径为r的圆周上采样r*u0个点； 其中， aj表示第j个标注点的2D坐标， 第r个圆的半径为r， 其中1≤r≤R， r∈N+， N+表示正 整数。 3.根据权利要求1所述的单粗 点监督下的目标定位方法， 其特 征在于， αann为0.5， αneg为3。 4.根据权利要求1所述的单粗点监督下的目标定位方法， 其特征在于， 通过下式获得实 例级MIL损失： 其中， 权　利　要　求　书 1/3 页 2 CN 114399731 B 2其中， M表示实例的数量， K表示类别的数量， cj为分类标签得分， Bj为所有R个圆的采样 点为标志点aj的点包， p表示特征图上的一个点， F表示待检测图像的特征图， Fp表示p在F上 的特征向量， fccls表示分类分支， fcins表示实例选举分支， σ 1表示sigmoid激活函数， σ 2表示 softmax激活函数， 表示Bj中p的分类分数， 表示Bj中p点的实例得分， 表示Bj中p点的整体得分。 5.根据权利要求1所述的单粗点监督下的目标定位方法， 其特征在于， 通过下式获得注 释损失： 其 中 ，M 表 示 实 例 的 数 量 ，K 表 示 类 别 的 数 量 ，cj为 分 类 标 签 得 分 ， 表示aj的分类分数， fccls表 示分类分支， aj表示第j个标志点。 6.根据权利要求1所述的单粗点监督下的目标定位方法， 其特征在于， 通过下式获得负 损失： 其中， M表示实例的数量， K表示类别的数量， cj,k表示第j个标注点在第k个类别上的分 类得分， Sp,k表示p点在第k个类上的预测得分， p表示特征图上的一个点， fccls表示分类分 支， Fp表示p在F上的特征向量， Sp＝σ1(fccls(Fp))∈RK， γ取值为2。 7.根据权利要求1所述的单粗点监督下的目标定位方法， 其特征在于， 还包括训练过 程， 所述训练过程包括以下步骤： 步骤I， 获得改善的标注点； 步骤II， 利用改善的标注点进行目标定位的训练； 步骤III， 获得训练收敛的目标定位网络模型。 8.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质上存储有单粗点 监督下的目标定位程序， 所述程序被处理器执行时， 使得处理器执行权利要求1至7之一所 述单粗点监督下的目标定位方法的步骤。 9.一种计算机设备， 其特征在于， 所述计算机设备包括存储器和处理器， 所述存储器存 储有单粗点监督下的目标定位程序， 所述程序被处理器执行时， 使得处理器执行权利要求 1权　利　要　求　书 2/3 页 3 CN 114399731 B 3