基于Mask Scoring R-CNN的高质量数据集快速自动标定方法

摘要：

针对计算机视觉领域人工标定多目标数据集时间冗长的问题,提出一种基于Mask Scoring R-CNN的高质量数据集快速自动标定方法;首先,设计了高质量数据集快速自动标定架构,训练数据自动标定模型并搭建目标分类与标定系统;其次,在对比不同残差网络及引入迁移学习基础上,进一步研究了基于MaskIoU Head的多目标掩膜标定质量评价方法,完成基于Mask Scoring R-CNN的多目标高质量数据集快速自动标定方法设计;最后,以车辆数据为例进行数据集快速自动标定方法验证,实验结果表明,相较于Mask R-CNN和Faster R-CNN方法,Mask Scoring R-CNN方法具有目标数据分类效果好及掩膜分割精度高的优点,检测准确率达到93.4％,且标定速度相较于人工标定速度提升了 95.77％.

关键词：目标检测、实例分割、迁移学习、高质量数据集、快速自动标定

所属期刊栏目：31

分类号：TP391.41;TP183(计算技术、计算机技术)

资助基金：国家自然科学基金;江苏省科技成果转化;江苏省省级工业;信息产业转型升级专项资金项目

在线出版日期：2023-05-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：232-238