一种增量式目标检测方法、装置、设备及介质制造方法及图纸

本申请公开了一种增量式目标检测方法、装置、设备及介质，在对检测器和特征提起器进行训练时，通过利用模型无关的元学习算法对原始训练样本和新增训练样本进行采样，从而避免因新增训练样本数量较小而导致所获得的待训练样本集合中未包括新增训练样本的情况，也可以避免因原始训练样本数量较大而导致所获得的待训练样本集合中仅包括原始训练样本的情况，从而使得后续训练时所使用的样本既包括原始训练样本，也包括新增训练样本，保证训练后的目标检测模型既不会忘记已有知识，也可以检测新增类别，提高目标检测模型的准确性。提高目标检测模型的准确性。提高目标检测模型的准确性。

【技术实现步骤摘要】
一种增量式目标检测方法、装置、设备及介质


[0001]本申请涉及计算机
，具体涉及一种增量式目标检测方法、装置、设备及介质。

技术介绍

[0002]在计算机视觉众多的
中，目标检测(Object Detection)是一项非常基础的任务。目标检测，也叫目标提取，是一种基于目标几何和统计特征的图像分割。它将目标的分割和识别合二为一，其准确性和实时性是整个系统的一项重要能力。
[0003]传统的基于深度学习的目标检测算法主要研究的是一个封闭数据集的问题，通常情况下，封闭数据集的数量和分类有限，利用封闭数据集训练出的目标检测模型无法满足新增类别的场景。如何实现对新增类别数据进行检测是急需解决的技术问题。

技术实现思路

[0004]有鉴于此，本申请实施例提供一种增量式目标检测方法、装置、设备及介质，以实现对新增目标进行检测和识别。
[0005]为实现上述目的，本申请提供的技术方案如下：
[0006]在本申请第一方面，提供了一种增量式目标检测方法，所述方法应用于目标检测模型，所述目标检测模型包括检测器和特征提取器，包括：
[0007]获取训练样本集合，所述训练样本集合包括原始训练样本和新增训练样本，所述新增训练样本包括新增目标；
[0008]利用模型无关的元学习算法对所述原始训练样本和所述新增训练样本进行采样，获得待训练样本集合；
[0009]利用所述待训练样本集合对所述检测器和所述特征提取器进行训练，获得训练后的检测器和训练后的特征提取器，所述训练后的检测器用于检测出所述新增目标，所述训练后的特征提取器用于对所述新增目标进行特征提取。
[0010]在本申请第二方面，提供一种增量式目标检测装置，所述装置应用于目标检测模型，所述目标检测模型包括检测器和特征提取器，包括：
[0011]第一获取单元，用于获取训练样本集合，所述训练样本集合包括原始训练样本和新增训练样本，所述新增训练样本包括新增目标；
[0012]第二获取单元，用于利用模型无关的元学习算法对所述原始训练样本和所述新增训练样本进行采样，获得待训练样本集合；
[0013]训练单元，用于利用所述待训练样本集合对所述检测器和所述特征提取器进行训练，获得训练后的检测器和训练后的特征提取器，所述训练后的检测器用于检测出所述新增目标，所述训练后的特征提取器用于对所述新增目标进行特征提取。
[0014]在本申请第三方面，提供了一种电子设备，所述设备包括：处理器和存储器；所述存储器，用于存储指令或计算机程序；所述处理器，用于执行所述存储器中的所述指令或计
算机程序，以使得所述电子设备执行第一方面所述的方法。
[0015]在本申请第四方面，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中存储有指令，当所述指令在设备上运行时，使得所述设备执行第一方面所述的方法。
[0016]在本申请第五方面，提供了一种计算机程序产品，所述计算机程序产品包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现第一方面所述的方法。
[0017]由此可见，本申请具有如下有益效果：
[0018]本申请中，在对检测器和特征提起器进行训练时，通过利用模型无关的元学习算法对原始训练样本和新增训练样本进行训练，从而避免因新增训练样本数量较小而导致所获得的待训练样本集合中未包括新增训练样本的情况，也可以避免因原始训练样本数量较大而导致所获得的待训练样本集合中仅包括原始训练样本的情况，从而使得后续训练时所使用的样本既包括原始训练样本，也包括新增训练样本，保证训练后的目标检测模型既不会忘记已有知识，也可以检测新增类别，提高目标检测模型的准确性。
附图说明
[0019]为了更清楚地说明本申请实施例或现有技术中的技术方案，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申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0020]图1为本申请实施例提供的一种应用场景示意图；
[0021]图2为本申请实施例提供的一种增量式目标检测方法流程图；
[0022]图3为本申请实施例提供的一种训练样本变化示意图；
[0023]图4为本申请实施例提供的一种增量式目标检测装置示意图；
[0024]图5为本申请实施例提供的一种电子设备结构示意图。
具体实施方式
[0025]为了使本
的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0026]随着技术的发展，逐渐发现封闭数据集模型在遇到新增类别的场景时，无法满足对新增类别的检测。对于新增类别的出现，意味着要重新对数据进行标注以及对模型进行训练。目前对新增类别的检测主要采用以下两种方法：
[0027]一种是增量式目标检测算法，是在已有的模型基础上，学习一个新的模型，以实现对原有类别和新增类别的检测。该方法的难点在于如果不进行特殊设计，而只使用新的数据更新模型，则模型在原有类别的变现较差。为解决该问题，提出了将原始模型中的知识“蒸馏”出来，并在更新模型时既对新类别进行学习，也对部分蒸馏出来的知识进行学习，从而保证模型不会遗忘已有的知识。但该方法的缺点在于，增量式目标检测在检测精度上仍然无法达到预期，尤其针对需要类内细分的超多类别检测的场景，例如商标检测。
[0028]另一种是检索式目标检测算法，主要依赖检测器和特征提取器。其中，检测器负责
目标位置所在区域的提取，特征提取器负责提取对应区域的特征。在提取到特征后，将该特征与数据库中已有类别特征进行比对，从而确定目标的分类。该方法的优点在于对类别比较鲁棒，对于大规模类别的增加在原理上没有额外的开销。缺点是召回能力非常依赖于检测器框出来的位置。当检测器未检测过新的类别时，即便该新增类别进入数据库，检测器也无法检测出目标。
[0029]基于此，本申请提供了一种增量式目标检测方法，通过增量式学习机制对检测器和特征提取器进行重新训练，以使得训练后的检测器可以检测出新增目标在图像中的位置，以及使得训练后的特征提取器能够提取新增目标的特征，进而通过检索式算法确定该新增目标的类别。具体地，在对检测器和特征提起器进行训练时，通过利用模型无关的元学习算法(Model
‑
Agnostic Meta learning，MAML)对原始训练样本和新增训练样本进行采样，从而避免因新增训练样本数量较小而导致所获得的待训练样本集合中未包括新增训练样本的情况，也可以避免因原始训练样本数量较大而导致所获得的待训练样本集合中仅包括原始训练样本的情况，从而使得后续训练时所使用的样本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种增量式目标检测方法，其特征在于，所述方法应用于目标检测模型，所述目标检测模型包括检测器和特征提取器，包括：获取训练样本集合，所述训练样本集合包括原始训练样本和新增训练样本，所述新增训练样本包括新增目标；利用模型无关的元学习算法对所述原始训练样本和所述新增训练样本进行采样，获得待训练样本集合；利用所述待训练样本集合对所述检测器和所述特征提取器进行训练，获得训练后的检测器和训练后的特征提取器，所述训练后的检测器用于检测出所述新增目标，所述训练后的特征提取器用于对所述新增目标进行特征提取。2.根据权利要求1所述的方法，其特征在于，所述利用所述待训练样本集合对所述检测器进行训练，获得训练后的检测器，包括：针对所述待训练样本集合中的任一待训练样本，获取所述待训练样本对应的特征图；针对所述特征图中的任一像素点，根据所述特征图确定所述像素点作为检测框的目标中心点的概率；根据所述特征图确定所述检测框的位置向量；基于所述概率以及第一标签、所述位置向量以及第二标签构建损失函数，所述第一标签用于指示所述像素点是否为目标中心点，所述第二标签为所述像素点对应的检测框的位置向量；响应于所述损失函数对应的值满足第一预设条件，获得训练后的检测器。3.根据权利要求1或2所述的方法，其特征在于，所述利用所述待训练样本集合对所述特征提取器进行训练，获得训练后的特征提取器，包括：从所述待训练样本集合中确定至少三个训练样本，所述至少三个训练样本包括第一训练样本、第二训练样本和第三训练样本，所述第二训练样本与所述第一训练样本的类别相同，所述第三训练样本与所述第一训练样本的类别不同；分别对所述至少三个训练样本进行增强处理，获得增强训练样本集合，所述增强训练样本集合包括第一增强训练样本、第二增强训练样本和第三增强训练样本；从所述至少三个训练样本和所述增强训练样本集合中随机抽取三个训练样本作为一组训练样本组；针对目标训练样本组，利用所述特征提取器对所述目标训练样本组进行特征提取，获取特征集合；根据所述特征集合确定所述目标训练组对应的损失函数；基于各目标训练样本组对应的损失函数确定所述特征提取器的损失函数；对所述损失函数进行优化，直至满足第二预设条件，获得训练后的特征提取器。4.根据权利要求3所述的方法，其特征在于，所述目标训练样本组包括第一训练样本组、第二训练样本组、第三训练样本组和第四训练样本组中的至少一组，所述第一训练样本组包括第一训练样本、第二训练样本和第三训练样本，所述第二训练样本组包括第一增强训练样本、第二增强训练样本和第三增强训练样本，所述第三训练样本组包括第二训练样本、第二增强训练样本和第三训练样本，所述第四训练样本组包括第一增强样本、第一增强训练样本和第三训练样本。
5.根据权利要求3或4所述的方法，其特征在于，所述基于各目标训练样本组对应的损失函数确定所述特征提取器的损失函数，包括：对各目标训练...

【专利技术属性】
技术研发人员：段逸群，黄凯，
申请(专利权)人：北京有竹居网络技术有限公司，
类型：发明
国别省市：