一种增量式学习目标检测网络模型构建及权重更新方法技术

本公开的增量式学习目标检测网络模型构建及权重更新方法，训练目标检测的深度学习网络模型；利用Slimming算法对深度学习网络模型进行剪枝处理；提取深度学习网络模型的卷积层训练集数据的输出特征及训练标签；选取第m层卷积层训练集数据的输出特征及其训练标签分别作为宽度学习网络模型的训练样本标签，训练宽度学习增量式学习模型；将宽度学习增量式学习模型替换深度学习网络模型的第m层及第m层后的卷积层，或将训练好的宽度学习网络模型作为深度学习网络模型的辅助学习网络模型，完成增量式学习网络模型的构建。通过增量式学习模型快速更新增量式学习网络权重的能力，改善增量式学习网络的性能，提升增量式学习网络的鲁棒性。

【技术实现步骤摘要】
一种增量式学习目标检测网络模型构建及权重更新方法
本公开属于计算机视觉领域，特别涉及一种增量式学习的目标检测网络模型的构建及其权重更新方法。
技术介绍
目标检测是计算机视觉领域研究热门方向之一。主要目的是从图像流的每一帧中，识别目标是否存在、实施目标分类并解算出目标在图像中的位置。由于各类物体有不同的外观、形状、摆放姿态，加上成像时光照、遮挡等因素的干扰，目标检测一直是机器视觉领域最具有挑战性的问题。目前的主流技术主要是基于深度学习的目标检测模型，其主要原理是通过丰富的数据样本及设置相对应的损失函数，使目标检测网络模型得到充分训练，使得其能够自主学习到相适应的特征去执行多样化的任务。基于深度学习的目标检测模型经过数年的发展，其准确率、精度、召回率等指标得到明显的提升，然而面对日益多元化的应用和千变万化的场景，其面临着难以突破的瓶颈，主要瓶颈之一是检测网络的性能在训练环境和实际环境差距明显，这是由于深度学习模型基于大规模数据驱动，模型的性能取决于训练数据的质与量，而大多数情况下训练数据并不能完整描述应用场景，故赋予检测网络在线学习的能力是解决问题本文档来自技高网...

【技术保护点】
1.一种增量式学习的目标检测网络模型构建方法，其特征在于，所述方法包括：/n训练所述目标检测的深度学习网络模型；/n利用Slimming算法对所述目标检测的深度学习网络模型进行剪枝处理；/n提取所述目标检测的深度学习网络模型的各卷积层训练集数据的输出特征及其训练标签；/n从所述各卷积层的输出特征中选取第m层卷积层训练集数据的输出特征及其训练标签分别作为所述目标检测的宽度学习网络模型的输入训练样本和训练标签，训练所述目标检测的宽度学习增量式学习模型，其中，m为正整数；/n将所述训练好的目标检测的宽度学习增量式学习模型替换所述目标检测的深度学习网络模型的第m层卷积层及第m层后的卷积层，或将所述训练...

【技术特征摘要】
1.一种增量式学习的目标检测网络模型构建方法，其特征在于，所述方法包括：
训练所述目标检测的深度学习网络模型；
利用Slimming算法对所述目标检测的深度学习网络模型进行剪枝处理；
提取所述目标检测的深度学习网络模型的各卷积层训练集数据的输出特征及其训练标签；
从所述各卷积层的输出特征中选取第m层卷积层训练集数据的输出特征及其训练标签分别作为所述目标检测的宽度学习网络模型的输入训练样本和训练标签，训练所述目标检测的宽度学习增量式学习模型，其中，m为正整数；
将所述训练好的目标检测的宽度学习增量式学习模型替换所述目标检测的深度学习网络模型的第m层卷积层及第m层后的卷积层，或将所述训练好的目标检测的宽度学习网络模型作为所述目标检测的深度学习网络模型的并行学习网络模型，以完成所述增量式学习的目标检测网络模型的构建。


2.根据权利要求1的构建方法，其特征在于，所述训练所述目标检测的深度学习网络模型，包括：
利用深度可分离的卷积网络构建所述目标检测的深度学习网络模型的特征提取器；
构建所述目标检测的深度学习网络模型的双层目标检测模块；
连接所述目标检测的深度学习网络模型的特征提取器和所述双层目标检测模块，完成所述目标检测的深度学习网络模型的构建；
利用训练集数据训练所述目标检测的深度学习网络模型。<...

【专利技术属性】
技术研发人员：沈凯，庄羽，朱毅晓，邓明涛，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京;11