基于Mask Scoring R-CNN的高质量数据集快速自动标定方法

来源：计算机测量与控制杂志2023年第4期北京时间：

作者：胡馨月,谢非,王军,马磊,黄懿涵,刘益剑

单位：南京师范大学 电气与自动化工程学院

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;

基金资助：国家自然科学基金项目（41974033）；江苏省科技成果转化(BA2020004)；江苏省省级工业和信息产业转型升级专项资金项目。