基于二阶分布建模的可信目标检测方法

作     者：王瑞 

作者单位：南京邮电大学 

学位级别：硕士

导师姓名：陈蕾

授予年度：2023年

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

主      题：主观逻辑 不确定性估计 狄利克雷分布 高斯逆伽马分布 深度度量学习 

摘      要：目标检测任务是计算机视觉领域的重要分支,旨在同时预测目标的类别与位置。在自动驾驶、医学影像识别、缺陷检测等领域均有广泛的应用前景。在一些安全敏感场景下,目标检测模型能够给出可靠的不确定性估计是尤为重要的。现有的可信目标检测方法主要分为三类:贝叶斯可信目标检测方法、集成可信目标检测方法以及一阶分布建模可信目标检测方法。贝叶斯方法以及集成方法由于需要多次进行前向传播,计算代价过高。一阶分布建模方法缺点在于无法反应所给出概率的可信程度。为解决上述相关工作中存在的问题,本文提出了一种基于二阶分布建模的可信目标检测方法,具体包括如下研究内容:(1)针对分类不确定性敏感的目标检测任务,通过引入狄利克雷分布以及深度度量学习,提出了一类融合度量学习与不确定性感知的可信目标检测方法。该方法通过定义目标类别服从先验分布为狄利克雷分布的类别分布,对Retinanet分类分支进行改进使其可以预测狄利克雷分布的参数,进而基于主观逻辑理论得到类别预测的不确定性估计。此外,为避免模型输出误导性证据,该方法采用一种基于代理机制的深度度量学习方法,旨在扩大具有不同语义目标特征之间的距离,从而使得对于不同类别目标,模型学习到的特征更加具有区分性。在真实数据上的实验结果表明,该方法相较于其他方法不仅具有更优的检测性能,且能够提供更有效的不确定性估计。(2)针对分类和定位不确定性双重敏感的目标检测任务,在前述方法的基础上,采用高斯逆伽马分布对其回归分支进行建模,同时引入聚簇非极大值抑制方法(Cluster-NMS),进一步提出一类融合不确定性感知非极大值抑制的可信目标检测方法。该方法通过改进Retinanet回归分支以预测高斯逆伽马分布的参数,从而在一次前向传播过程中,同时预测偶然不确定性以及认知不确定性。此外,为在非极大值抑制阶段,高效且准确的移除冗余检测框,该方法将模型预测的不确定性估计与聚簇非极大值抑制方法相结合,使其能同时兼顾预测的准确性与可信性。最终在真实数据集上的实验结果证明了该方法的有效性以及优越性。(3)针对变电站端子排二次接线线帽配对检测场景,基于所提出的可信目标检测算法设计实现了一类可替代人工检测的二次接线线帽智能核对原型系统。该原型系统能在提供难例样本拒识功能的基础上,有效检测电力线缆的错接、漏接和多接情况,此外,考虑到接线场景的实际应用需求,本文还实现了该原型系统的用户登录、信息管理及异常样本备份等功能。