小规模数据集上基于感兴趣区域训练改进的目标检测方法技术

本发明专利技术提供了一种小规模数据集上基于感兴趣区域训练改进的目标检测方法，属于图像分析技术领域，通过目标检测模型获得图像目标检测结果，其对目标检测模型的训练过程包括一个循环依次独立进行边框回归任务训练和分类任务训练的阶段，使用由小规模数据集经过第一数据增强后获得的第一训练集对目标检测模型进行边框回归任务训练，使用由第一训练集经过第二数据增强后获得的第二训练集对目标检测模型进行分类任务训练；第二训练集的每张图像其感兴趣区域外包含部分该图片的全局信息。本发明专利技术方法在训练阶段引入感兴趣区域机制，克服现有One‑Stage目标检测模型在小规模数据集上训练时易发生的过拟合现象，进而获得准确的目标检测模型。

【技术实现步骤摘要】
小规模数据集上基于感兴趣区域训练改进的目标检测方法
本专利技术属于图像分析
，涉及一种小规模数据集上基于感兴趣区域训练改进的目标检测方法。
技术介绍
深度学习(DeepLearning，DL)是机器学习(MachineLearning，ML,)领域中一个研究方向，其通过神经网络学习提取特征而非使用人工提取特征的特点，使得学习效率与准确率大大提高，已在图像分类、目标检测、图像分割、自然语言处理等领域广泛应用。然而，由于深度学习方法一般由数据驱动，其对于样本数据数量、丰富程度和准确性等都有着较高的要求。在目标检测领域，若样本数据量以及丰富程度不足，深度学习模型不仅会提取学习样本中的目标特征，对于样本中的背景噪声，也将纳入学习范围，导致模型对数据过拟合。发生过拟合后，目标检测的对于目标的召回率将严重下降，严重影响检测性能。基于深度学习的目标检测方法一般为两类：一是Two-Stage检测算法，其将检测问题分为两个阶段，第一个阶段产生候选区域，第二阶段对目标进行分类和位置修正，主要的代表模型有区域卷积神经网络(RegionwithCNN,R本文档来自技高网...

【技术保护点】
1.一种小规模数据集上基于感兴趣区域训练改进的目标检测方法，通过目标检测模型获得图像目标检测结果，其特征在于：所述目标检测模型包括多层输出的深度特征提取网络和多尺度融合检测头；对所述目标检测模型的训练过程包括一个循环依次独立进行边框回归任务训练和分类任务训练的阶段。/n

【技术特征摘要】
1.一种小规模数据集上基于感兴趣区域训练改进的目标检测方法，通过目标检测模型获得图像目标检测结果，其特征在于：所述目标检测模型包括多层输出的深度特征提取网络和多尺度融合检测头；对所述目标检测模型的训练过程包括一个循环依次独立进行边框回归任务训练和分类任务训练的阶段。


2.根据权利要求1所述的目标检测方法，其特征在于：使用标记感兴趣区域的小规模数据集对所述目标检测模型进行边框回归任务训练和分类任务训练。


3.根据权利要求1所述的目标检测方法，其特征在于：使用大规模数据集对所述深度特征提取网络进行预训练。


4.根据权利要求2所述的目标检测方法，其特征在于：使用由所述小规模数据集经过第一数据增强后获得的第一训练集对所述目标检测模型进行所述边框回归任务训练，使用由所述第一训练集经过第二数据增强后获得的第二训练集对所述目标检测模型进行所述分类任务训练；所述第二训练集的每张图像其感兴趣区域外包含部分该图片的全局信息。


5.根据权利要求4所述的目标检测方法，其特征在于：所述第一数据增强用于获得规模大于所述小规模数据集的第一训练集，其方法包括翻转、平移、模糊、缩放和裁剪中的一种以上；所述第二数据增强用于依...

【专利技术属性】
技术研发人员：尹子会，付炜平，赵冀宁，孟荣，贾志辉，董俊虎，杜江龙，赵振兵，
申请(专利权)人：国家电网有限公司，国网河北省电力有限公司检修分公司，华北电力大学保定，
类型：发明
国别省市：北京;11