【技术实现步骤摘要】
一种目标检测模型的训练方法、目标检测方法及终端设备
本申请属于图像处理的
，尤其涉及一种目标检测模型的训练方法、目标检测方法及终端设备。
技术介绍
得益于近年来深度学习技术的快速发展，针对图像的目标检测的性能日益优良，广泛地应用在自动驾驶、智能交通、监控系统和人脸检测等领域。然而，传统的目标检测技术往往依赖于大量可靠的带标注的源域图像进行监督学习。当训练数据和测试数据的域不同时，传统的目标检测技术无法很好地胜任(其中，域是指图像所处的环境，例如白天和黑夜为不同域)。而域差异或域转移常常导致不利的模型泛化，造成对图像的检测精度较低，这是一个亟需解决的问题。
技术实现思路
有鉴于此，本申请实施例提供了一种目标检测模型的训练方法、目标检测方法及终端设备，可以解决域差异或域转移常常导致不利的模型泛化，造成对图像的检测精度较低的技术问题。本申请实施例的第一方面提供了一种目标检测模型的训练方法，所述方法包括：获取多个数据集，每个所述数据集包括源域图像以及目标域图像；所述源域图像中包括目标物体的标...
【技术保护点】
1.一种目标检测模型的训练方法，其特征在于，所述方法包括：/n获取多个数据集，每个所述数据集包括源域图像以及目标域图像；所述源域图像中包括目标物体的标注信息；所述目标域图像中不包括目标物体的标注信息；/n将每个所述数据集中的所述源域图像以及所述目标域图像进行转换处理，得到过渡域图像；所述过渡域图像包括所述源域图像中的所述目标物体、所述源域图像中的所述标注信息以及所述目标域图像中的背景信息；/n将所述过渡域图像以及所述目标域图像输入对抗学习模型中，训练目标检测模型，得到训练后的目标检测模型；所述对抗学习模型包括目标检测模型以及域分类模型；所述目标检测模型以及所述域分类模型用于对抗学习。/n
【技术特征摘要】
1.一种目标检测模型的训练方法，其特征在于，所述方法包括：
获取多个数据集，每个所述数据集包括源域图像以及目标域图像；所述源域图像中包括目标物体的标注信息；所述目标域图像中不包括目标物体的标注信息；
将每个所述数据集中的所述源域图像以及所述目标域图像进行转换处理，得到过渡域图像；所述过渡域图像包括所述源域图像中的所述目标物体、所述源域图像中的所述标注信息以及所述目标域图像中的背景信息；
将所述过渡域图像以及所述目标域图像输入对抗学习模型中，训练目标检测模型，得到训练后的目标检测模型；所述对抗学习模型包括目标检测模型以及域分类模型；所述目标检测模型以及所述域分类模型用于对抗学习。
2.如权利要求1所述方法，其特征在于，所述将每个所述数据集中的所述源域图像以及所述目标域图像进行转换处理，得到过渡域图像，包括：
将所述源域图像以及所述目标域图像输入图像转换模型，得到由所述图像转换模型输出的第一图像；所述第一图像包括所述源域图像中的所述目标物体以及所述目标域图像中的背景信息；
将所述目标物体的标注信息合成至所述第一图像中，得到所述过渡域图像。
3.如权利要求1所述方法，其特征在于，所述将所述过渡域图像以及所述目标域图像输入对抗学习模型中，训练目标检测模型，得到训练后的目标检测模型，包括：
通过目标检测模型以及域分类模型共有的第一卷积网络，提取所述过渡域图像中的过渡特征图以及所述目标域图像中的目标特征图；
根据所述过渡特征图识别所述过渡域图像中的所述标注信息以及所述目标物体的类别；
根据所述标注信息以及所述类别，计算所述目标检测模型的第一损失值；
利用反向传播算法，根据所述第一损失值调整所述目标检测模型的第一参数；
根据所述目标特征图识别所述目标域图像的域类别；所述域类别包括过渡域或目标域；
根据所述域类别，计算所述域分类模型的第二损失值；
利用反向传播算法，根据所述第二损失值调整所述域分类模型的第二参数；
将多个所述数据集对应的所述过渡域图像以及所述目标域图像输入对抗学习模型中，循环执行所述通过目标检测模型以及域分类模型共有的第一卷积网络，提取所述过渡域图像中的过渡特征以及所述目标域图像中的目标特征的步骤以及后续步骤；
将多次训练中所述第一损失值最小且所述第二损失值最大时对应的目标检测模型，作为所述训练后的目标检测模型。
4.如权利要求3所述方法，其特征在于，所述根据所述过渡特征图识别所述过渡域图像中的标注信息以及目标物体的类别，包括：
通过所述目标检测模型中的第二卷积网络提取所述过渡特征中的第一...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。