(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211298566.8 (22)申请日 2022.10.24 (71)申请人 浙江华是 科技股份有限公司 地址 311122 浙江省杭州市余杭区闲林街 道嘉企路16号3幢1楼 (72)发明人 吴显德　于超　陈江海　温志伟　 徐登峰　宋春　 (74)专利代理 机构 北京城烽知识产权代理事务 所(特殊普通 合伙) 11829 专利代理师 王新月 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/26(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01)G06V 10/82(2022.01) G06N 3/08(2006.01) (54)发明名称 通过半监督实例分割标定监控目标的方法 及系统 (57)摘要 本发明公开一种通过半监督实例分割标定 监控目标的方法及系统。 其中， 该方法包括： 获取 预训练模型， 将所述预训练模型的权重赋值到初 始学生模型的权重中， 得到更新的学生模型； 将 所述更新的学生模型的权重赋值到初始教师模 型的权重中， 得到更新的教师模型； 将训练集中 每张图片随机进行全监督实例分割训练或自监 督实例分割训练， 得到目标学生模 型和目标教师 模型； 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， 得到目标位置和 类别。 通过该方法代替原先的目标检测方法， 减 少目标框的噪音影响， 降低误检率； 采用全监督 实例分割训练或自监督实例分割训练， 减少人工 因素导致的误检； 教师模型和学生模 型同时训练 减少训练时间。 权利要求书5页 说明书12页 附图4页 CN 115359062 A 2022.11.18 CN 115359062 A 1.一种通过半监 督实例分割标定监控目标的方法， 其特 征在于， 包括： 步骤S101， 获取预训练模型， 将所述预训练模型的权重赋值到初始学生模型的权重中， 得到更新的学生模型； 将所述更新的学生模型 的权重赋值到初始教师模型 的权重中， 得到 更新的教师模型； 步骤S102， 从训练集选取预设数量的图片作为迭代图片； 将每张迭代图片随机进行全 监督实例分割训练或自监 督实例分割训练； 所述全监 督实例分割训练包括： 将每张迭代图片输入到所述更新的学生模型中进行模型训练， 得到每张迭代图片检测 目标的预测结果； 根据所述每张迭代图片 检测目标的预测结果与每张迭代图片 检测目标的 人工标定结果计算迭代人工标定总损失值； 根据所述迭代人工标定总损失值对所述更新的 学生模型进行反向传播， 得到当前迭代学生模型； 将所述当前迭代学生模型 的权重赋值到 所述更新的教师模型的权 重中， 得到当前迭代教师模型； 所述自监 督实例分割训练包括： 将每张迭代图片输入到所述更新的教师模型中进行模型训练， 得到当前迭代教师模型 以及每张迭代图片 检测目标的推理标定结果； 将 每张迭代图片 输入到所述更新的学生模型 中进行模型训练， 得到每张迭代图片检测目标的预测结果； 根据所述每张迭代图片检测目 标的预测结果与所述每张迭代图片 检测目标的推理标定结果计算迭代推理标定总损失值； 根据所述迭代推理标定总损失值对所述更新的学生模型进 行反向传播， 得到当前迭代学生 模型； 步骤S103， 重 复所述步骤S102直至将训练集 中全部图片训练完， 得到当前轮学生模型、 当前轮教师模型、 当前轮人工标定总损失值或当前轮 推理标定总损失值； 步骤S104， 重 复步骤S102、 步骤S103， 直至当前轮人工标定总损失值或当前轮推理标定 总损失值在第一预设范围内波动， 得到目标 学生模型、 目标教师模型； 步骤S105， 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， 得到目标位置和类别。 2.根据权利要求1所述的方法， 其特征在于， 所述根据所述每张迭代图片检测目标的预 测结果与每张迭代图片检测目标的人工标定结果计算迭代人工标定总损失值包括： 根据所述每张迭代图片检测目标的预测结果与每张迭代图片检测目标的人工标定结 果计算得到迭代人工标定分类损失值、 迭代人工标定回归损失值和迭代人工标定掩膜损失 值； 根据以下公式计算所述迭代人工标定总损失值： 其中， 所述 表示迭代人工标定总损 失值； 所述 表示迭代人工标定 分类损失值； 所述 表示迭代人工标定回归损失值； 所述 表示迭代人工 标定掩膜损失值。 3.根据权利要求1所述的方法， 其特征在于， 所述将所述当前迭代学生模型的权重赋值 到所述更新的教师模型的权 重中根据以下公式计算：权　利　要　求　书 1/5 页 2 CN 115359062 A 2其中， 所述 表示当前迭代教师模型的权重； 所述 表示当前迭代学生 模型权重的占比； 表示当前迭代学生模型的权重； 表示上一迭代教 师模型的权重； n表示当前迭代； s表示学生模型； t表示教师模型； max表示求最大值； min表 示求最小值； step表示当前迭代步数； warm_step表示预设迭代步数。 4.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更新的教 师模型中进行模型训练， 得到 当前迭代教师模 型以及每张迭代图片 检测目标的推理标定结 果包括： 将每张迭代图片输入到所述更新的教师模型中进行模型训练， 得到初始迭代教师模型 以及每张迭代图片检测目标的初始预测结果； 所述初始预测结果包括： 类别得分、 目标框、 像素点类别； 将所述每张迭代图片中的目标框随机多次扩展预设范围内倍数， 得到每张迭代图片的 多个第一更新目标框； 将所述每张迭代图片的多个第一更新目标框输入到所述初始迭代教师模型中进行模 型训练， 得到当前迭代教师模型以及每张迭代图片检测目标的当前预测结果； 所述当前预 测结果包括： 分别与所述多个第一更新目标框对应的当前类别得分及当前像素点类别； 将所述每张迭代图片的第 一更新目标框 中， 类别得分大于或等于预设类别得分的第 一 更新目标框保留为第二更新目标框； 计算所述每张迭代图片的全部第 二更新目标框的波动差值， 当判定该波动差值不在预 设波动差值范围内时， 将所述每张迭代图片的全部第二更新目标框删除； 反之， 进入下一 步； 计算所述每张迭代图片的全部第 二更新目标框的掩膜差值， 当判定该掩膜差值不在预 设掩膜差值范围内时， 将所述每张迭代图片的全部第二更新目标框删除； 反之， 进入下一 步； 保留所述每张迭代图片中类别得分最高的第二更新目标框， 并将其作为 最终目标框； 将所述最终目标框及该最终目标框对应的所述当前类别得分及当前像素点类别作为 每张迭代图片检测目标的推理标定结果。 5.根据权利要求1所述的方法， 其特征在于， 根据 所述每张迭代图片检测目标的预测结 果与所述每张迭代图片检测目标的推理标定结果计算迭代推理标定总损失值包括： 根据所述每张迭代图片检测目标的预测结果与所述每张迭代图片检测目标的推理标 定结果计算迭代推理标定分类损失值、 迭代推理标定回归损失值、 迭代推理标定掩膜损失 值； 根据以下公式计算所述迭代推理标定总损失值： 权　利　要　求　书 2/5 页 3 CN 115359062 A 3