(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 202211192618.3 (22)申请日 2022.09.28 (71)申请人 华南理工大 学 地址 510640 广东省广州市天河区五山路 381号 (72)发明人 高英　吴朝捷　谢欣言　李明阳　 蔡文天　 (74)专利代理 机构 广州粤高专利商标代理有限 公司 44102 专利代理师 周春丽 (51)Int.Cl. G06V 10/25(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/764(2022.01) (54)发明名称 基于对抗擦除和背景抑制的弱监督目标定 位方法 (57)摘要 本发明提供的基于对抗擦除和背景抑制的 弱监督目标定位方法， 包括以下步骤： 使用卷积 神经网络作为主干网络， 将其末端的池化层和全 连接层更换为全局平均池化层和全 连接层， 将训 练集图像输入 结构更换后的所述卷积神经网络， 进行第一次前向传播， 输出特征图F； 计算得出类 别激活图CA M， 基于类别激活图CAM计算得到二维 图CAMnorm和擦除图Me； 进行擦除操作； 得到两次 前向传播各自的重要性图； 训练卷积神经网络； 将待检测图像输入训练后的卷积神经网络中， 得 到目标定位结果。 本发明能够引导神经网络发掘 容易在分类任务中被抑制表达的一般性目标区 域， 并且减少作为非目标区域的背景的激活， 最 终生成精准覆盖完整目标区域的定位图， 有效地 实现弱监 督目标定位任务。 权利要求书2页 说明书6页 附图3页 CN 115546471 A 2022.12.30 CN 115546471 A 1.基于对抗擦除和背景抑制的弱监 督目标定位方法， 其特 征在于， 包括以下步骤： 使用卷积神经网络作为主干网络， 将其末端的池化层和全连接层更换为全局 平均池化 层和全连接层， 网络最终直接 输出为由各个 类别的预测概 率组成的向量； 将训练集图像输入结构更换后的所述卷积神经网络， 进行第一次前向传播， 传播到最 后一层卷积层后输出得到特征图F， 其包含n个通道(f1～fn)， fn为特征图F中的第n个通道， 经过全局平均池化层后得到长度为n的一维特征值V(v1～vn)， vn为第n个通道的通道值， 每 个特征值对应特征图F中的一个通道， 一 维特征值V输入全连接层后， 得到一个长度为C的一 维向量类别预测结果； 设图像真实标签所对应全连接层中的参数为w， 有n个取值(w1～wn)， 分别对应一维特征 值V的n个取值和特征图F的n个通道， 用参数w来评估特征图F中每个通道对正确类别的贡献 程度， 并计算得 出类别激活图CAM， 基于类别激活图CAM计算得到二维图CAMnorm和擦除图Me； 将所述擦除图Me与第一次前向传播得到的特征图F卷积神经 网络的第l层中间特征Fl进 行擦除操作， 将擦除后的特征输入卷积神经网络的l层之后的层继续进 行第二次前向传播， 得到第二个 类别预测结果； 分别取第 一次前向传播和第 二次前向传播在卷积神经网络 中的第m层的中间特征(m＞ l)， 各自做通道 平均池化并经 过激活函数后得到各自的重要性图， 记为 基于总损 失函数对卷积神经网络进行迭代训练， 总损 失函数包括背景抑制损 失， 得到 训练后的卷积神经网络； 将待检测图像输入训练后的卷积神经网络中， 得到目标定位结果。 2.根据权利要求1所述的基于对抗擦除和背景抑制的弱监督目标定位方法， 其特征在 于， 在将训练集图像输入卷积神经网络前， 先对训练集图像进行归一 化处理。 3.根据权利要求1所述的基于对抗擦除和背景抑制的弱监督目标定位方法， 其特征在 于， 所述类别激活图CAM的计算公式为 式中， CAM为类别激活图。 4.根据权利要求1所述的基于对抗擦除和背景抑制的弱监督目标定位方法， 其特征在 于， 所述擦除图Me的计算公式为 式中， γ为预设的擦除阈值。 5.根据权利要求1所述的基于对抗擦除和背景抑制的弱监督目标定位方法， 其特征在 于， 所述激活函数为Sigmo id函数。 6.根据权利要求1所述的基于对抗擦除和背景抑制的弱监督目标定位方法， 其特征在 于， 所述总损失函数包括两次类别预测与真实类别标签的交叉熵损失以及背景抑制 损失。 7.根据权利要求6所述的基于对抗擦除和背景抑制的弱监督目标定位方法， 其特征在 于， 交叉熵损失的计算公式为权　利　要　求　书 1/2 页 2 CN 115546471 A 2式中， C表示有C个 类别， yi代表真实标签， 代表预测结果。 8.根据权利要求6所述的基于对抗擦除和背景抑制的弱监督目标定位方法， 其特征在 于， 背景抑制 损失的计算公式为 式中， Lbs为背景抑制 损失， S为卷积神经网络第m层卷积层输出 特征的空间尺度大小。 9.根据权利要求1所述的基于对抗擦除和背景抑制的弱监督目标定位方法， 其特征在 于， 使用误差反向传播 算法进行 卷积神经网络的训练。 10.根据权利要求1 ‑9任一所述的基于对抗擦除和背景抑制的弱监督目标定位方法， 其 特征在于， 在测试阶段， 将测试集图像输入训练好的卷积神经网络中， 仅进行一次前向传 播， 最终网络输出得到输入图像的类别预测结果， 其中， 对二维图CAMnorm进行阈值分割， 得 到目标定位结果。权　利　要　求　书 2/2 页 3 CN 115546471 A 3