一种目标检测的方法及设备技术

本发明专利技术公开了一种目标检测的方法及设备，用于在不增加标注的训练数据量的同时，提高检测模型在实际场景中的检测性能。该方法包括：获取待检测的目标图像；将所述目标图像输入到训练好的检测模型，输出所述目标图像中的目标对象的位置；其中，所述检测模型是利用已标注的第一样本集和未标注的第二样本集进行训练得到的，每次训练时提取所述第一样本集中的第一样本图像的第一低维特征图和所述第二样本集中的第二样本图像的第二低维特征图，将所述第一低维特征图和所述第二低维特征图进行融合得到融合特征图，利用所述融合特征图和所述第一样本图像标注的目标对象的位置进行训练。第一样本图像标注的目标对象的位置进行训练。第一样本图像标注的目标对象的位置进行训练。

【技术实现步骤摘要】
一种目标检测的方法及设备


[0001]本专利技术涉及计算机图形及图像处理
，特别涉及一种目标检测的方法及设备。

技术介绍

[0002]当前基于深度学习的方法通常是一种数据驱动的方法，然而，现实环境是复杂多样的，如果实际场景与当前训练集所在场景的数据分布存在明显差异，检测模型性能可能会出现显著下降。为了保证算法的性能，通常训练时需覆盖到实际场景下的数据，但是数据标注的代价是“昂贵”的，需要大量的人力和时间。
[0003]因此，在实际场景和训练集所在场景的数据分布存在较大差异的情况下，如何保证在不增加标注的训练数据量的同时，提高检测模型在实际场景中的检测性能，已经成为目前亟需解决的技术问题。

技术实现思路

[0004]本专利技术提供一种目标检测的方法及设备，用于在不增加标注的训练数据量的同时，提高检测模型在实际场景中的检测性能。
[0005]第一方面，本专利技术实施例提供的一种目标检测的方法，包括：获取待检测的目标图像；将所述目标图像输入到训练好的检测模型，输出所述目标图像中的目标对象的位置；其中，所述检测模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标检测的方法，其特征在于，该方法包括：获取待检测的目标图像；将所述目标图像输入到训练好的检测模型，输出所述目标图像中的目标对象的位置；其中，所述检测模型是利用已标注的第一样本集和未标注的第二样本集进行训练得到的，每次训练时提取所述第一样本集中的第一样本图像的第一低维特征图和所述第二样本集中的第二样本图像的第二低维特征图，将所述第一低维特征图和所述第二低维特征图进行融合得到融合特征图，利用所述融合特征图和所述第一样本图像标注的目标对象的位置进行训练；其中所述第一样本集和所述第二样本集都包含目标对象，所述第二样本集包含与所述第一样本集不同的场景特征。2.根据权利要求1所述的方法，其特征在于，所述将所述第一低维特征图和所述第二低维特征图进行融合得到融合特征图，包括：根据所述第一低维特征图在特征提取层的每个通道上的第一均值和第一标准差，以及所述第二低维特征图在特征提取层的每个通道上的第二均值和第二标准差，确定所述融合特征图；其中，所述特征提取层是所述检测模型中用于提取低维特征的卷积层。3.根据权利要求2所述的方法，其特征在于，所述确定所述融合特征图，包括：根据所述第一均值和第一标准差对所述第一低维特征图进行归一化处理，得到归一化的第一低维特征图；将所述第二均值作为所述归一化的第一低维特征图的偏移量，所述第二标准差作为所述归一化的第一低维特征图的缩放权重，确定所述融合特征图。4.根据权利要求1所述的方法，其特征在于，所述检测模型在每次训练时，还包括：根据所述第一低维特征图、所述第二低维特征图以及所述融合特征图，确定域分类损失值；根据所述域分类损失值调整所述检测模型在训练过程中的参数，以提取出域不变的特征。5.根据权利要求4所述的方法，其特征在于，所述根据所述域分类损失值调整所述检测模型在训练过程中的参数，以提取出域不变的特征，包括：利用梯度反转层对所述域分类损失值对应的梯度进行反向传播，并调整所述检测模型在训练过程中的参数，以提取出...

【专利技术属性】
技术研发人员：沈孔怀，朱亚伦，
申请(专利权)人：浙江大华技术股份有限公司，
类型：发明
国别省市：