技术特征：
1.基于二阶分布及不确定性感知聚类融合的目标检测方法，其特征在于：包括以下步骤：s1，获取训练样本以及对应标签；s2，根据所述训练样本及对应标签，训练可信目标检测模型证据分类分支学习预测狄利克雷分布的参数；s3，根据所述训练样本及对应标签，对标签进行逆运算从而在保留预设框机制优点的同时，采用二型极大似然损失函数作为训练证据深度回归神经网络学习预测高斯逆伽马分布的参数；s4，获取测试样本；s5，将所述测试样本输入训练得到的可信目标检测模型，预测所述测试样本中目标框对应的狄利克雷分布参数集合以及高斯逆伽马分布参数集合；s6，基于所述可信目标检测模型预测得到的狄利克雷分布参数集合，根据主观逻辑理论计算所述测试样本对应预测框类别向量集合以及类别不确定性集合；s7，基于所述可信目标检测模型预测得到的高斯逆伽马分布参数集合，计算所述测试样本对应预测框位置集合；s8，对得到的预测框位置集合进行过滤处理，i表示预测结果集合中第i个预测结果对应的索引位置，计算得到预测框回归置信度估计，计算得到类别置信度估计，基于公式得到整体置信度估计，将整体置信度估计值小于预设阈值的预测滤除；s9，选取具有最大回归置信度的预测框作为当前簇r的聚类中心，并遍历预测框集合，基于公式将与聚类中心预测框交并比得分大于预设阈值的预测框加入当前簇，其中表示当前簇的聚类中心，即预测框簇中具有最大置信度的预测框对应的回归坐标，表示预测框集合中的预测框回归坐标，并将簇中预测框从所述可信目标检测模型输出的预测框集合中删除；s10，将回归置信度最高得分预测框的位置信息作为针对此目标的最终单一预测框对应的位置信息；s11，使用weighted belief fusion对每一预测框簇中的不同预测框对应的狄利克雷分布进行融合，将融合后的狄利克雷分布的期望作为本簇对应唯一预测框的类别概率向量；s12，基于步骤s11融合得到的所述狄利克雷分布，基于计算预测框对应的类别置信度估计；s13，将所述得到的回归置信度最高得分预测框位置信息、所述单一预测框类别向量、回归置信度以及类别置信度进行组合作为针对此目标的最终预测，将所
述最终预测加入输出预测框集合；s14，重复步骤s3-7，直至所述可信目标检测模型输出的所述预测框集合及所述分布集合为空；s15，在所述测试样本上可视化所述输出预测框集合中的预测框m。2.根据权利要求1所述的基于二阶分布及不确定性感知聚类融合的目标检测方法，其特征在于，步骤s8中，包括以下步骤：step a，基于所述可信目标检测模型输出的高斯逆伽马分布参数集合，对于中的每一个预测结果中每一位置参数变量对应的高斯逆伽马分布参数,通过公式20、21、22计算预测框四个位置参数分别对应的偶然不确定性估计以及认知不确定性估计；；；step b，通过公式29、30将所述的以及进行融合，分别得到对应于单个预测框位置信息的偶然不确定性估计以及认知不确定性估计；；step c，通过公式32、33所表述的scaled-sigmoid函数将所述以及分别映射为值域为[0,1]的以及；；step d，通过公式34将所述以及与预测框相对于真实目标框交并比的预测值相乘得到对应于预测框位置信息的回归置信度估计； 。3.根据权利要求1所述的基于二阶分布及不确定性感知聚类融合的目标检测方法，其特征在于，步骤s8中，所述预测框对应的类别置信度为基于所述可信目标检测模型输
出的类别不确定性估计通过公式8计算得到： 。4.根据权利要求1所述的基于二阶分布及不确定性感知聚类融合的目标检测方法，其特征在于，步骤s3中，对于目标检测任务中的回归问题，针对每一个目标，需要预测四个参数，（x1，y1，x2，y2）或（x，y，w，h），前者表示目标的左上角坐标以及右下角坐标，后者表示目标相对于所在图片的中心坐标位置以及目标框的宽高信息；采用yolov3作为基线模型，如公式9、10、11、12所示，yolov3采用后者表示基于预设框机制对目标位置进行预测，其中表示sigmoid函数，表示yolov3所输出预测框的坐标，为负责预测目标的单元格索引，为先验框对应的宽/高值，为yolov3输出的变换前的预测值：为yolov3输出的变换前的预测值：为yolov3输出的变换前的预测值：为yolov3输出的变换前的预测值：基于公式13、14、15、16对目标标签进行逆运算得到对应目标偏移量标签，其中如公式17为sigmoid的反函数：式17为sigmoid的反函数：式17为sigmoid的反函数：式17为sigmoid的反函数：式17为sigmoid的反函数： 。5.根据权利要求1所述的基于二阶分布及不确定性感知聚类融合的目标检测方法，其特征在于，步骤s11中，所述可信目标检测方法通过公式36所表述的weighted belief fusion方法将位于同一预测框簇中的不同预测框对应的狄利克雷分布进行融合： 。6.根据权利要求2所述的基于二阶分布及不确定性感知聚类融合的目标检测方法，其特征在于，步骤step d中，回归置信度可单独基于认知不确定性计算得到。7.根据权利要求1所述的基于二阶分布及不确定性感知聚类融合的目标检测方法，其
特征在于，步骤s3中，将每一个正样本预测框定义为从总体中独立同分布采样得到的样本，并定义每一个正样本预测框对应的类别服从类别分布，且将狄利克雷分布作为类别分布似然函数的共轭先验，并通过训练神经网络输出针对每一个正样本预测框类别对应的证据向量，即为：，其中神经网络通过以函数形式表示，为第i个正样本预测框对应的输入，为可信目标检测分类分支神经网络对应的参数，通过网络预测得到的证据向量得到对应狄利克雷分布的参数，通过计算狄利克雷分布的期望，其中通过公式计算得到，即得到对于类别概率的估计；采用贝叶斯风险作为神经网络的损失函数，对应于可信目标检测中的分类分支，对于单个正样本预测框的损失函数如公式1所示，其中k为类别总数，为k维多项贝塔函数：此外，对于无法正确分类的样本，希望网络输出的证据为零，因此通过加入正则项来移除non misleading证据，正则项损失函数如公式2所示，其中表示狄利克雷分布，表示伽马函数，表示逆伽马函数：表示逆伽马函数：表示逆伽马函数：综上所述，分类分支损失函数为：其中为衰减系数，t为当前训练epoch轮数，anneal_step为预先设置的超参数。
技术总结
本发明涉及不确定性估计领域及目标检测领域，公开了基于二阶分布及不确定性感知聚类融合的目标检测方法。所述方法包括：定义目标类别服从先验分布为狄利克雷分布的类别分布，并基于主观逻辑理论，将其转化为等价的主观意见从而得到类别不确定性评估以及类别预测；定义目标位置偏移量服从先验分布为高斯逆伽马分布的高斯分布，并对目标位置标签进行逆运算，基于神经网络学习得到的二阶分布计算得到目标框位置信息以及回归不确定性估计；基于空间邻近性对模型输出的预测框聚类得到预测框簇，并引入加权信念融合方法对预测框簇中的狄利克雷分布进行融合，最终针对同一目标，得到结合了不同预测框证据的单一预测框作为最终结果。结果。结果。
技术研发人员：陈蕾 王瑞 鲍庆森 张宇帆 毛泽勇 朱薇
受保护的技术使用者：南京邮电大学
技术研发日：2022.12.27
技术公布日：2023/1/31