1.一種基于偽標(biāo)簽的半監(jiān)督目標(biāo)檢測(cè)方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的基于偽標(biāo)簽的半監(jiān)督目標(biāo)檢測(cè)方法，其特征在于，步驟一所述的包括收集圖像信息，建立半監(jiān)督目標(biāo)檢測(cè)數(shù)據(jù)集；其中，部分圖像數(shù)據(jù)做完全精確的標(biāo)定框標(biāo)注，該部分圖像數(shù)據(jù)在所收集的所有圖像數(shù)據(jù)的比例不超過(guò)20％。
3.根據(jù)權(quán)利要求1所述的基于偽標(biāo)簽的半監(jiān)督目標(biāo)檢測(cè)方法，其特征在于，步驟二所述的目標(biāo)檢測(cè)網(wǎng)絡(luò)包括：使用特征提網(wǎng)絡(luò)提取圖像特征，其中特征特征提取網(wǎng)絡(luò)選擇resnet-50；使用特征融合網(wǎng)絡(luò)對(duì)特征做進(jìn)一步增強(qiáng)操作，其中特征融合網(wǎng)絡(luò)選擇fpn；選擇rpn作候選區(qū)域的生成和初步分類和邊界框回歸；選擇rolalign作特征的對(duì)齊和固定尺寸的輸出；優(yōu)化損失函數(shù)將輸出的預(yù)測(cè)結(jié)果與標(biāo)注信息盡可能保持一致。
4.根據(jù)權(quán)利要求1所述的基于偽標(biāo)簽的半監(jiān)督目標(biāo)檢測(cè)方法，其特征在于，步驟三所述的對(duì)未標(biāo)記數(shù)據(jù)進(jìn)行弱數(shù)據(jù)增強(qiáng)處理，所使用的弱數(shù)據(jù)增強(qiáng)方法包括旋轉(zhuǎn)、翻轉(zhuǎn)、縮放、裁剪、顏色變換、高斯噪聲、高斯模糊；其中，旋轉(zhuǎn)是指將圖像圍繞其中心點(diǎn)旋轉(zhuǎn)一定的角度；翻轉(zhuǎn)包括將圖像沿垂直軸的水平翻轉(zhuǎn)和沿水平軸的垂直翻轉(zhuǎn)；縮放是調(diào)整圖像的寬度和高度來(lái)改變圖像的尺寸；裁剪是從原始圖像中隨機(jī)選取一部分區(qū)域作為新的圖像樣本；顏色變換是調(diào)整圖像的亮度、對(duì)比度、飽和度以模擬不同光照條件下的圖像變化；高斯噪聲是指圖像像素值的波動(dòng)圍繞某個(gè)均值展開(kāi)并隨均值距離的增加而逐漸減少；高斯模糊是通過(guò)對(duì)圖像的每個(gè)像素點(diǎn)及其領(lǐng)域內(nèi)的像素值進(jìn)行加權(quán)平均來(lái)模糊圖像。
5.根據(jù)權(quán)利要求1所述的基于偽標(biāo)簽的半監(jiān)督目標(biāo)檢測(cè)方法，其特征在于，步驟三所述的將弱數(shù)據(jù)增強(qiáng)后的未標(biāo)記數(shù)據(jù)送到teacher模型中，在resnet-50特征提取網(wǎng)絡(luò)中的殘差模塊加入stn模塊，通過(guò)特有的空間變換對(duì)提取的特征進(jìn)一步加工以增強(qiáng)特征的表示能力，緩解數(shù)據(jù)中的噪聲和干擾，抑制不重要或冗余的信息；在stn模塊中融入senet模塊，進(jìn)一步增強(qiáng)網(wǎng)絡(luò)對(duì)關(guān)鍵特征的敏感度，使得重要特征得到更多關(guān)注，從而提高特征的表示質(zhì)量。
6.根據(jù)權(quán)利要求1所述的基于偽標(biāo)簽的半監(jiān)督目標(biāo)檢測(cè)方法，其特征在于，步驟三所述的將弱數(shù)據(jù)增強(qiáng)后的未標(biāo)記數(shù)據(jù)送到teacher模型中，在fpn特征金字塔網(wǎng)絡(luò)中，添加自適應(yīng)特征池化模塊，將具有豐富細(xì)節(jié)信息的淺層特征圖和具有更強(qiáng)語(yǔ)義信息的深層特征圖相組合，以更準(zhǔn)確的檢測(cè)不同尺度的目標(biāo)。
7.根據(jù)權(quán)利要求1所述的基于偽標(biāo)簽的半監(jiān)督目標(biāo)檢測(cè)方法，其特征在于，步驟三所述的將弱數(shù)據(jù)增強(qiáng)后的未標(biāo)記數(shù)據(jù)送到teacher模型中，輸出的預(yù)測(cè)結(jié)果經(jīng)過(guò)nms得到偽標(biāo)簽，使用lou-guided?nms代替普通的nms，優(yōu)先考慮定位精度較高的框以此來(lái)消除因分類分類置信度誤導(dǎo)而產(chǎn)生的錯(cuò)誤，引入lou預(yù)測(cè)分支靈活處理不同場(chǎng)景下的檢測(cè)任務(wù)。
8.根據(jù)權(quán)利要求1所述的基于偽標(biāo)簽的半監(jiān)督目標(biāo)檢測(cè)方法，其特征在于，步驟四所述的將步驟三得到的偽標(biāo)簽與未標(biāo)記的數(shù)據(jù)進(jìn)行強(qiáng)數(shù)據(jù)增強(qiáng)處理，所使用的強(qiáng)數(shù)據(jù)增強(qiáng)方法包括幾何變換、色彩變換、圖像混合與合成、噪聲與遮擋、區(qū)域裁剪與填充；其中，幾何變換是指隨機(jī)或固定角度將圖像旋轉(zhuǎn)、水平翻轉(zhuǎn)和垂直翻轉(zhuǎn)、對(duì)圖像進(jìn)行水平或垂直平移、改變圖像的尺度、對(duì)圖像應(yīng)用更復(fù)雜的變換；色彩變換包括亮度調(diào)整、對(duì)比度調(diào)整、飽和度調(diào)整、顏色抖動(dòng)；圖像混合與合成包括將多張圖像按一定比例混合的圖像混合、將多張圖像拼接在一起的圖像拼接、對(duì)于小目標(biāo)檢測(cè)的復(fù)制粘貼；噪聲與遮擋包括在圖像中添加隨機(jī)的高斯噪聲和椒鹽噪聲等、在圖像中隨機(jī)遮擋部分區(qū)域；區(qū)域裁剪與填充是指隨機(jī)裁剪圖像的一部分并用隨機(jī)值、背景或其他圖像內(nèi)容進(jìn)行填充裁剪區(qū)域。
9.根據(jù)權(quán)利要求1所述的基于偽標(biāo)簽的半監(jiān)督目標(biāo)檢測(cè)方法，其特征在于，步驟五所述的將有標(biāo)注數(shù)據(jù)訓(xùn)練student模型的交叉熵?fù)p失記為有監(jiān)督損失，將未標(biāo)記數(shù)據(jù)訓(xùn)練teacher模型得到偽標(biāo)簽的一致性損失記為無(wú)監(jiān)督損失，在訓(xùn)練過(guò)程中同時(shí)計(jì)算監(jiān)督損失和無(wú)監(jiān)督損失，并根據(jù)超參數(shù)對(duì)兩者進(jìn)行加權(quán)求和得到最終的損失函數(shù)。
10.根據(jù)權(quán)利要求1所述的基于偽標(biāo)簽的半監(jiān)督目標(biāo)檢測(cè)方法，其特征在于，步驟六所述的student模型的參數(shù)是通過(guò)反向傳播算法進(jìn)行更新，以最小化監(jiān)督損失和無(wú)監(jiān)督損失的加權(quán)和；teacher模型的參數(shù)是student模型參數(shù)的加權(quán)平均值，權(quán)重隨時(shí)間呈指數(shù)衰減。