基于有限样本的物体检测器的实现方法及装置制造方法及图纸

本发明专利技术适用于物体检测技术领域，提供了基于有限样本的物体检测器的实现方法及装置，包括：建立基于神经网络的物体检测器；基于正则化的迁移学习过程，训练所述物体检测器。通过本发明专利技术可在目标域数据有限的条件下提高物体检测器的性能。

【技术实现步骤摘要】
基于有限样本的物体检测器的实现方法及装置
本专利技术属于物体检测
，尤其涉及基于有限样本的物体检测器的实现方法及装置。
技术介绍
深度学习技术的蓬勃发展，推动了物体检测器的性能提高。这些基于深度学习的物体检测器通常需要大规模、且标定完全的数据支撑。然而，对于一个给定检测任务，收集和标定这些的数据集通常是有限的，这样就大大减弱了深度学习检测器的检测性能。因此，如何摆脱大规模检测数据的收集和标定工作，对于物体检测器在实际场景中的应用具有重要意义。故，有必要提出一种新的技术方案，以解决上述技术问题。
技术实现思路
有鉴于此，本专利技术提供了基于有限样本的物体检测器的实现方法及装置，以在目标域数据有限的条件下提高物体检测器的性能。本专利技术的第一方面提供了一种基于有限样本的物体检测器的实现方法，所述实现方法包括：建立基于神经网络的物体检测器；基于正则化的迁移学习过程，训练所述物体检测器。本专利技术的第二方面提供了一种基于有限样本的物体检测器的实现装置，所述实现装置包括：建立模块，用于建立基于神经网络的物体检测器；训练模块，用于基于正则化的迁移学习过程，训练所述物体检测器。本专利技术的第三方本文档来自技高网...

【技术保护点】
1.一种基于有限样本的物体检测器的实现方法，其特征在于，所述实现方法包括：建立基于神经网络的物体检测器；基于正则化的迁移学习过程，训练所述物体检测器。

【技术特征摘要】
1.一种基于有限样本的物体检测器的实现方法，其特征在于，所述实现方法包括：建立基于神经网络的物体检测器；基于正则化的迁移学习过程，训练所述物体检测器。2.如权利要求1所述的实现方法，其特征在于，所述建立基于神经网络的物体检测器包括：将图片输入SSD形式的检测模型，获得真实包围盒的预测框和所述预测框为物体的概率；将概率大于预设阈值的预测框作为候选框；将所述候选框和选定的卷积层进行区域池化，生成一个固定大小的卷积特征；将所述卷积特征经过多个卷积层，对所述候选框的物体进行分类。3.如权利要求2所述的实现方法，其特征在于，所述基于正则化的迁移学习过程，训练所述物体检测器包括：根据源域的数据对所述物体检测器进行预训练；根据目标域的数据获取知识迁移正则项和背景抑制正则项，并根据所述知识迁移正则项和所述背景抑制正则项调节预训练的所述物体检测器。4.如权利要求3所述的实现方法，其特征在于，所述根据目标域的数据获取知识迁移正则项，并根据所述知识迁移正则项调节预训练的所述物体检测器包括：在目标域检测器中引出一个源域物体类别的预测分支；对于所述目标域检测器产生的每一个候选框，所述预测分支产生一个源域物体类别的预测概率向量将所述目标域检测器产生的每一个候选框送入源域检测器进行区域池化，获取所述每一个候选框对应的源域物体类别知识向量根据所述源域物体类别的预测概率向量和所述源域物体类别知识向量计算交叉熵损失函数根据所述交叉熵损失函数LTK调节所述目标域检测器。5.如权利要求3所述的实现方法，其特征在于，所述根据目标域的数据获取背景抑制正则项，并根据所述背景抑制正则项调节预训练的所述物体检测器包括：选定一个卷积层，根据所述目标域的数据的真实包围盒，获取背景在所述卷积层的特征上对应的区域FBD；根据所述区域FBD，计算欧式距离损失函数LBD＝||FBD||2；根据所述欧式距离损失函数LBD调节目标域检测器。6.一种基于有限样本的物体检测器的实现装置，其特征在于，所述实现装置包括：建立模块，用于建立基于神经网络的物体检测器；训练模块，用于基于正则化的迁移学习过程，训练...

【专利技术属性】
技术研发人员：乔宇，陈豪，王亚立，
申请(专利权)人：深圳先进技术研究院，
类型：发明
国别省市：广东,44