在紅外圖像目標(biāo)檢測領(lǐng)域，傳統(tǒng)的監(jiān)督學(xué)習(xí)方法需要大量標(biāo)注的數(shù)據(jù)來訓(xùn)練模型，但是標(biāo)注數(shù)據(jù)的獲取成本高昂且耗時。因此，微云全息(NASDAQ: HOLO)開始探索半監(jiān)督學(xué)習(xí)方法來解決這個問題。半監(jiān)督學(xué)習(xí)利用少量標(biāo)注數(shù)據(jù)和大量未標(biāo)注數(shù)據(jù)來訓(xùn)練模型，以提高目標(biāo)檢測的性能和效率。
微云全息本次提出了一種基于CenteNet與OMix增強(qiáng)的半監(jiān)督紅外圖像目標(biāo)檢測方法。CenterNet是一種基于中心點檢測的目標(biāo)檢測算法，它通過檢測目標(biāo)的中心點位置來實現(xiàn)目標(biāo)檢測。OMix增強(qiáng)是一種數(shù)據(jù)增強(qiáng)方法，它通過對圖像進(jìn)行旋轉(zhuǎn)、縮放和翻轉(zhuǎn)等操作來增加訓(xùn)練數(shù)據(jù)的多樣性。在紅外圖像目標(biāo)檢測技術(shù)中，CenterNet具有高效、準(zhǔn)確的特點，適用于紅外圖像目標(biāo)檢測任務(wù)，為了提高紅外圖像目標(biāo)檢測的性能，采用OMix增強(qiáng)方法通過生成虛假樣本并將其與真實樣本混合，從而擴(kuò)充訓(xùn)練數(shù)據(jù)集，提升模型的泛化能力。
本方法的核心思想是利用CenterNet的中心點檢測能力來檢測紅外圖像中的目標(biāo)，同時利用OMix增加訓(xùn)練數(shù)據(jù)的多樣性。微云全息使用有限的標(biāo)注數(shù)據(jù)來訓(xùn)練CenterNet模型。然后，利用該模型對未標(biāo)注數(shù)據(jù)進(jìn)行目標(biāo)檢測，得到一部分偽標(biāo)注數(shù)據(jù)。將偽標(biāo)注數(shù)據(jù)與有限的標(biāo)注數(shù)據(jù)合并，利用OMix增強(qiáng)生成更多的訓(xùn)練數(shù)據(jù)。然后再次訓(xùn)練CenterNet模型。通過這種方式，逐步提高模型的性能。
在具體實施過程中，紅外圖像的預(yù)處理是至關(guān)重要的一步。預(yù)處理包括去除噪聲、增強(qiáng)圖像對比度等操作，這些操作能夠提高目標(biāo)檢測的準(zhǔn)確性。通過這些預(yù)處理步驟，微云全息將原始的紅外圖像轉(zhuǎn)化為更適合目標(biāo)檢測的形式。接下來，使用CenterNet模型對預(yù)處理后的圖像進(jìn)行目標(biāo)檢測。CenterNet模型能夠準(zhǔn)確地檢測出目標(biāo)的中心點坐標(biāo)，這對于后續(xù)的特征提取和模型訓(xùn)練至關(guān)重要。一旦得到了目標(biāo)的中心點坐標(biāo)，就可以提取目標(biāo)的特征信息。這些特征信息能夠描述目標(biāo)的形狀、大小、方向等屬性，對于后續(xù)的目標(biāo)識別和分類非常重要。為了增加訓(xùn)練數(shù)據(jù)的多樣性，微云全息采用了OMix技術(shù)對特征信息進(jìn)行增強(qiáng)處理。OMix技術(shù)能夠通過對原始數(shù)據(jù)進(jìn)行變換和處理，生成更多的偽標(biāo)注數(shù)據(jù)。這些偽標(biāo)注數(shù)據(jù)與標(biāo)注數(shù)據(jù)一起，形成了更豐富的訓(xùn)練數(shù)據(jù)集。在訓(xùn)練過程中，微云全息采用了逐步迭代的方式。每次迭代都會生成更多的偽標(biāo)注數(shù)據(jù)，并將它們與標(biāo)注數(shù)據(jù)合并，形成更豐富的訓(xùn)練數(shù)據(jù)集。然后使用新的訓(xùn)練數(shù)據(jù)集重新訓(xùn)練CenterNet模型，逐步提高模型的性能。通過這種方法，可以充分利用有限的標(biāo)注數(shù)據(jù)和大量的未標(biāo)注數(shù)據(jù)。標(biāo)注數(shù)據(jù)提供了準(zhǔn)確的標(biāo)簽和目標(biāo)信息，而未標(biāo)注數(shù)據(jù)則提供了更多的樣本和多樣性。這種結(jié)合使得模型能夠更好地泛化到未知的數(shù)據(jù)上，提高模型的魯棒性。同時，利用OMix技術(shù)可以增加訓(xùn)練數(shù)據(jù)的多樣性。多樣性對于模型的魯棒性至關(guān)重要，因為它能夠使模型更好地適應(yīng)不同的環(huán)境和條件。微云全息通過增加訓(xùn)練數(shù)據(jù)的多樣性，可以進(jìn)一步提高模型的魯棒性。
在未來,微云全息(NASDAQ: HOLO)將進(jìn)一步改進(jìn)基于CenterNet與OMix增強(qiáng)的半監(jiān)督紅外圖像目標(biāo)檢測方法，探索更多的目標(biāo)檢測算法和增強(qiáng)方法，以進(jìn)一步提高性能。此外，微云全息還考慮引入更多的數(shù)據(jù)增強(qiáng)技術(shù)，如旋轉(zhuǎn)、縮放和鏡像等，以增加數(shù)據(jù)的多樣性，進(jìn)一步提高模型的性能。
