(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210063160.5 (22)申请日 2022.01.19 (71)申请人 西南交通大 学 地址 611756 四川省成 都市高新区西部园 区西南交通大 学 申请人 农业农村 部大数据发展中心 (72)发明人 胡华浪　韩旭　黄进　李剑波　 申克建　 (74)专利代理 机构 成都弘毅天承知识产权代理 有限公司 5123 0 专利代理师 岳子强 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01)G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于无监督聚类的在建房屋识别方法 (57)摘要 本发明公开了一种基于无监督聚类的在建 房屋识别方法， 涉及计算机视觉技术领域， 包括 以下步骤： 通过图像采集装置采集在建房屋的 图 像数据； 对收集到图像数据中的在建房屋的位置 进行人工标注， 然后将标注后的在建房屋进行裁 剪， 得到在建房屋图像数据集； 设置好聚类的类 别数目， 然后将在建房屋图像数据采用对比聚类 的无监督方式进行类别划分； 各个在建房屋在通 过聚类后都有相应的类别， 将该在建房屋数据的 类别标注到原始图像上的标签； 对于标注上标签 的在建房屋数图像据集， 采用Yolox目标检测算 法进行模型训练； 根据房屋数据的每个类别在测 试集的预测效果， 调整每个类别的置信度阈值； 更有利于模型的训练和收敛， 保持高召回率， 提 高检测精度。 权利要求书3页 说明书7页 附图3页 CN 114581769 A 2022.06.03 CN 114581769 A 1.一种基于无监 督聚类的在建房屋识别方法， 其特 征在于， 包括以下步骤： S1、 制作数据集： 通过图像采集装置采集在建房屋的图像数据； S2、 数据集预处理： 对收集到图像数据中的在建房屋的位置进行人工标注， 然后将标注 后的在建房屋进行裁 剪， 得到在建房屋图像数据集； S3、 数据无监督聚类： 设置好聚类的类别数目， 然后将S2步骤得到的在建房 屋图像数据 采用对比聚类的无监 督方式进行类别划分； S4、 标签重定义： 各个在建房屋在通过 聚类后都有相应的类别， 将该在 建房屋数据的类 别标注到原 始图像上的标签； S5、 检测模型训练： 对于标注上标签的在建房屋数图像据集， 采用Yolox目标检测算法 进行模型训练； S6、 模型置信度阈值设定： 根据房屋数据的每个类别在测试集的预测效果， 调整每个类 别的置信度阈值。 2.根据权利要求1所述的一种基于无监督聚类的在建房屋识别方法， 其特征在于， 所述 步骤S1中通过图像采集装置采集在建房屋的各个时期、 各个角度、 不同焦距的图像数据。 3.根据权利要求1所述的一种基于无监督聚类的在建房屋识别方法， 其特征在于， 所述 步骤S2中使用Label  Image工具对图像中的在建房屋的位置进行 人工标注。 4.根据权利要求1所述的一种基于无监督聚类的在建房屋识别方法， 其特征在于， 所述 步骤S3中在建房屋图像数据采用对比聚类的无监 督方式进行类别划分包括以下步骤： 在建房屋图像数据样本xi， 使用两种数据增强方式Ta和Tb， 增强后的图像 和 为： 对增强后的图像采用Resnet34作为特 征提取网络， 提取 特征向量表示 为： 其中 和 代表特征向量， f( ·)表示特征提取网络； 特征向量 和 再经过两层非线性感知器(MLP)进行映射 为： 其中 和 表示映射后的特 征向量， g( ·)表示非线性感知器； 定义样本 的损失 为： 权　利　要　求　书 1/3 页 2 CN 114581769 A 2其中τI是实例层次的temperature参数， s( ·)代表余弦相似度运算， N表示设定的batch 大小， 因此经过数据增强过后， batch内共有2N个数据， 对于每一个样 本都可以形成1个正样 本对和2N ‑2个负样本对， 和 分别表示一个batch中第j个样本经过Ta和Tb数据增强后所 提取的特 征向量； 样本在实例层次总损失lins如下式所示： 当数据样本被映射到与聚类cluster数量相同的空间维度 时， 数据特征的每一维可以 看作是该样本属于该类别的概率， 通过特征提取网络提取的特征向量经过两层非线性感知 器将其映射成M， M表示聚类 类别数维向量， 即： 其中gc(·)为非线性感知器， 和 分别表示经过感知器映射过后的M维向量， 则一个 batch内的样本在Ta和Tb数据增强下组成Ya∈RN×M,Yb∈RN×M矩阵； 定义 为Ya中第i列， 同理， 为Yb第i列， 因此样本 与 在集群层次的损失 定 义为： 其中τC是集群层次的temperture参数， M表示聚类类别数， 为样本在Ta数据增强下第j 个类别的聚类分配， 同理， 表示样本在Tb数据增强下第j个 类别的聚类分配； 样本在集群层次总损失lclu为下式所示： H(Y)为聚类分配概率的信息熵， 是为了避免网络将所有实例都分配到一个聚类簇中， 具体表示如下式所示： 权　利　要　求　书 2/3 页 3 CN 114581769 A 3