买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明公开一种基于实例级分析的目标检测系统优先级测试方法，该方法专为实例级对象检测系统设计，可帮助测试人员识别这些系统中的检测错误和遗漏。对于检测错误，本发明会根据分类和定位能力为每个预测边界框分配一个怀疑度分数。此外，本发明克服了现有优先级排序方法只关注预测结果的缺点，引入了一种新颖的算法，为每个输入中的潜在检测遗漏区域分配怀疑度分数。通过汇总两类模型误差的得分，能够同时识别假阳性和假阴性。对怀疑度值元素进行优先排序，根据它们的值降序排序，对相应的图像进行灰度化处理，并高亮显示错误区域。测试人员的任务是重点查看突出显示的区域。本发明相比同类技术明显节省预算，并能最大限度地发挥测试人员的作用。

主权项：1.一种基于实例级分析的目标检测系统优先级测试方法，其特征在于，包括以下步骤：Step1，发现检测误差：拆分被测对象检测模型的预测结果为多个实例，然后分别计算每个实例的分类和定位能力来得到一个用于发现检测误差的怀疑度分数；Step2，诊断检测遗漏：通过在定义的隐藏置信度分布图上执行二维卡丹尔算法计算得到可能存在检测遗漏的区域从而来实现对目标检测模型检测遗漏的精确诊断；Step3，测试优先级执行：使得测试人员通过依次查看TestData集合中的图像，重点查看突出显示的区域；在发现检测误差的步骤中，物体检测数据的粒度是图像中的多个实例，检测误差的量化需要评估目标检测系统的每个输出为检测到的实例集合，每个输出p被分配一个怀疑分数；设计分类能力和定位能力两个指标来评估模型对特定实例的分类和定位能力，并计算综合得分，以确定一个实例是否存在检测误差；给定实例p产生一个置信分数sp，它反映了模型将边界框内容归类为特定类别的确信度；评估模型对此实例分类能力的指标定义为：C＝1-sp；其中C的较高值意味着该模型对特定实例的分类能力下降，反之较低值则表示更高的能力；目标检测系统输出的目标的位置被称为实例位置，由其边界框bp表示，而该系统在预测过程中产生的对目标的初始提案区域被称为模型视图，由边界框vp表示；模型视图反映了模型对对象可能位于何处的初步评估，为了定量衡量这一概念，引入定位能力指标：L＝IoUvp,bp；在诊断检测遗漏的步骤中，对于图像I∈RW×H，引入隐藏置信度分布图，这个隐藏置信度分布图最初是一个全零矩阵M0∈Rn×m，n和m用于描述矩阵的形状，n和m符合约束条件：ρ≤1；W和H表示输入到目标检测系统的图像的长度和高度；目标检测系统设置了一个初始阈值τ，当阈值放宽为0时，将表示图像I的输出实例集，每个表示一个单独的实例，设x1,y1和x2,y2为边界框bp的坐标，操作定义： 函数通过将边界框bp映射到M0中相应的矩阵段，更新了隐藏置信度分布图，并将p的置信度分数分配到矩阵中的相应位置；然后，得到Mp，它代表p的隐藏置信度分布图，那么系统阈值τ下的综合隐藏置信度分布图Mτ则表示为： 这样就得到了系统阈值τ下的综合隐藏置信度分布图，其中包括物体检测系统从输出中省略的所有实例置信度；用中值集中矩阵Mτ：M′τ＝Mτ-medianMτ，将数据集中到零点附近后，M′τ就成了用于诊断检测遗漏的隐藏置信度分布图，找到那些潜在低信息预测框密集的区域，用sumz表示区域中所有元素的总和，并使用二维卡丹尔算法找出M′τ中sumz最大值为前N的区域，用集合来表示它们： 其中表示集合的一个元素，函数的作用是使用二维卡丹尔算法输出N个区域z；z代表潜在区域，这些区域存在检测遗漏；计算z内元素的平均值并将其作为怀疑度评分sk，这个分数概括了对检测遗漏的量化怀疑，检测遗漏的怀疑度元素为： 将每幅图像中潜在的高可信度可疑区域合并到集合中；在测试优先级执行的步骤中，对所有的怀疑度分数sk进行归一化处理，将sk值按比例调整到[0,1]范围内，集合用于存放怀疑度元素；归一化之后，对中的元素进行优先排序，根据它们的sk值降序排序；对于每个怀疑元素t，对相应的图像I进行灰度化处理，将其添加到测试集，并高亮显示t所表示的区域；然后，测试人员的任务是依次查看测试集合中的图像，重点查看突出显示的区域；高亮区域t代表检测错误或检测遗漏。

全文数据：

权利要求：

百度查询： 南京大学 一种基于实例级分析的目标检测系统优先级测试方法