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面提供了一种基于有限样本的物体检测器的实现装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述实现方法的步骤。本专利技术的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述实现方法的步骤。本专利技术与现有技术相比存在的有益效果是：本专利技术方案首先建立新型的神经网络检测框架，即首先建立基于神经网络的物体检测器，然后再基于正则化的迁移学习过程，训练所述物体检测器，以在目标域数据有限的条件下提高物体检测性能，即提高物体检测器的性能。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术实施例一提供的基于有限样本的物体检测器的实现方法的实现流程示意图；图2是本专利技术实施例二提供的基于有限样本的物体检测器的实现方法的实现流程示意图；图3是本专利技术实施例三提供的基于有限样本的物体检测器的实现装置的示意图；图4是本专利技术实施例四提供的基于有限样本的物体检测器的实现装置的示意图。具体实施方式以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本专利技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本专利技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本专利技术的描述。应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。还应当理解，在此本专利技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本专利技术。如在本专利技术说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解，在本专利技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。应理解，本实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本专利技术实施例的实施过程构成任何限定。为了说明本专利技术所述的技术方案，下面通过具体实施例来进行说明。参见图1，是本专利技术实施例一提供的基于有限样本的物体检测器的实现方法的实现流程示意图，如图所示该基于有限样本的物体检测器的实现方法可以包括以下步骤：步骤S101，建立基于神经网络的物体检测器。在本专利技术实施例中，可以建立一个新型的卷积神经网络检测框架，用于目标域样本有限时的物体检测。该检测框架即为物体检测器，其中，所述物体检测器用于对图片中的物体进行定位并分类，即定位图片中的物体，并判断该物体为何类物体。可以将图片中的内容划分为主体和背景，所述物体可以是指图片中的主体，例如图片中有人、马和草原，那么图片中的物体就可以是指人和马。步骤S102，基于正则化的迁移学习过程，训练所述物体检测器。在本专利技术实施例中，在建立好基于神经网络的物体检测器之后，可以先使用现有的大规模的源域的数据对所述物体检测器进行预训练，然后再使用目标域的有限数据对预训练的所述物体检测器进行微调。通过在微调的过程中加入新型的正则项设计，将所述源域的物体知识和所述目标域的物体知识集成进所述物体检测器的训练过程。其中，所述源域的数据可以是指现有技术中的大量数据，所述目标域的数据可以是指目标任务的数据，即目标样本。需要说明的是，本专利技术实施例中的数据和样本通常是指图片。所述源域的物体知识可以是指所述源域的物体的类别概率向量等。所述目标域的物体知识可以是指所述目标域的物体的真实包围盒等。本专利技术实施例首先建立基于神经网络的物体检测器，然后再基于正则化的迁移学习过程，训练所述物体检测器，以在目标域数据有限的条件下提高物体检测性能，即提高物体检测器的性能。参见图2，是本专利技术实施例二提供的基于有限样本的物体检测器的实现方法的实现流程示意图，如图所示该基于有限样本的物体检测器的实现方法可以包括以下步骤：步骤S201，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。在本专利技术实施例中，将图片输入SSD形式的检测模型，获得对所述图片中物体的位置的预测框和所述预测框是否为物体的概率。其中，所述真实包围盒可以是指所述图片中的物体在所述图片中的真实位置或区域。所述预测框可以是指对所述图片中物体的位置的预测区域，即预测的该物体在所述图片中的区域，该区域可能与所述图片中物体的真实区域略有不同，例如图片中物体的为马，而该马的预测框所在区域可能不仅仅包括马，也可能包括其他内容，如骑马的人的下肢。其中，所述预测框为物体的概率可以是指所述预测框所在区域为物体的概率。可以将图片中的内容划分为主体和背景，所述物体可以是指图片中的主体，例如图片中有人、马和草原，那么图片中的物体就可以是指人和马。步骤S202，将概率大于预设阈值的预测框作为候选框。在本专利技术实施例中，将步骤S201所获得的所述预测框为物体的概率大于预设阈值的预测框作为候选框，判定该预测框在图片中的所在区域为物体，即判定该预测框为物体。其中，用户可以根据实际需要自行设置预设阈值，例如0.7，在此不做限定。步骤S203，将所述候选框和本文档来自技高网...

【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